الصفحة الرئيسية>المتعلقة بالبرمجة>شفرة المصدر الأخرى
تنزيل

نقل Gans لتوليد الصور من البيانات المحدودة

خلاصة:

يعد نقل المعرفة بالشبكات المسبقة إلى المجالات الجديدة عن طريق التحويل المفعول بممارسة المستخدمة على نطاق واسع للتطبيقات القائمة على النماذج التمييزية. على حد علمنا ، لم تتم دراسة هذه الممارسة في سياق الشبكات العميقة التوليدية. لذلك ، ندرس تكييف المجال المطبقة على توليد الصور مع شبكات الخصومة التوليدية. نقوم بتقييم عدة جوانب من تكيف المجال ، بما في ذلك تأثير حجم المجال المستهدف ، والمسافة النسبية بين المصدر والمجال المستهدف ، وتهيئة GANs الشرطية. تظهر نتائجنا أن استخدام المعرفة من الشبكات المسبقة يمكن أن يقصر وقت التقارب ويمكن أن يحسن بشكل كبير من جودة الصور التي تم إنشاؤها ، خاصة عندما تكون البيانات المستهدفة محدودة. نظهر أنه يمكن أيضًا استخلاص هذه الاستنتاجات من أجل الخانس الشرطي حتى عندما تم تدريب النموذج المسبق دون تكييف. تشير نتائجنا أيضًا إلى أن الكثافة قد تكون أكثر أهمية من التنوع وأن مجموعة البيانات التي تحتوي على فصول واحدة أو قليلة تم أخذ عينات منها قد تكون نموذجًا أفضل من مجموعات البيانات تنوعًا مثل ImageNet أو الأماكن.

ملخص

  • التبعية
  • تثبيت
  • تعليمات
  • نتائج
  • مراجع
  • اتصال

التبعية

  • Python2.7 ، Numpy ، Scipy ، Nvidia GPU
  • TensorFlow: يجب أن يكون الإصدار أكثر من 1.0 (https://www.tensorflow.org/)
  • مجموعة البيانات: Lsun-Bedroom (http://lsun.cs.princeton.edu/2017/) أو مجموعة البيانات الخاصة بك

تثبيت

  • تثبيت TensorFlow
  • OpenCV

تعليمات

  • باستخدام 'git clone https://github.com/yaxingwang/transferring-gans'

    ستحصل على مجلد جديد اسمه "نقل الغابات" في مسارك الحالي ، ثم استخدم "نقل الأقراص المضغوطة" لإدخال المجلد الجديد الذي تم تنزيله

  • تنزيل برنامج PREDRAIN MODERSGOOGLE. tencent Qcloud

    مجلد تم تنزيله غير الضخم إلى المجلد الحالي ، ثم لديك مجلد جديد "Transfer_Model" يحتوي على مجلدين: "مشروطة" ، "غير مشروط" ، لكل منها أربعة مجلدات: "ImageNet" ، "الأماكن" ، "Celeba" ، "غرفة نوم"

  • قم بتنزيل مجموعة البيانات أو استخدم مجموعة البيانات الخاصة بك.

    لقد عرضت مثالاً واحداً ويمكنك أن تصنعه بنفس الشكل.

  • قم بتشغيل "Python Transfer_gan.py"

    رمز الجري مع الإعداد الافتراضي. يمكن إلغاء النموذج المسبق عن طريق تغيير المعلمة "target_domain"

  • GAN الشرطي إذا كنت مهتمًا باستخدام النموذج الشرطي ، فقط قم بتعيين المعلمة "Acgan = True"

نتائج

استخدام النماذج المسبقة لا يحصل على أداء عالي فحسب ، بل يرفع التقارب بسرعة. في الشكل التالي ، نظهر إعدادات مشروطة وغير مشروطة.

مراجع

  • [1] "تدريب محسّن لـ Wasserstein Gans" بقلم إيشان جولراجاني وآخرون. al ، https://arxiv.org/abs/1704.00028 ، (https://github.com/igul222/improved_wgan_training bendudcode]
  • [2] "Gans المدربة بقاعدة تحديث على نطاق زمني تتقارب مع توازن NASH المحلي" من تأليف Martin Heusel et. AL ، https://arxiv.org/abs/1704.00028

اتصال

إذا واجهت أي مشاكل مع هذا الرمز ، فيرجى إرسال تقرير الأخطاء على موقع GitHub للمشروع. للاطلاع على إدعاءات أخرى ، اتصل بي: [email protected]

يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل