หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

ผู้สร้างในฝัน

โครงการนี้มีจุดมุ่งหมายเพื่อทำให้กระบวนการสร้างแบบจำลอง DeepDream แบบกำหนดเองง่ายขึ้นโดยใช้โมเดล googlenet ที่ผ่านการฝึกอบรมและชุดข้อมูลภาพที่กำหนดเอง

นี่คือตัวอย่างการสร้างภาพข้อมูลที่สร้างขึ้นด้วยโมเดล DeepDream แบบกำหนดเองที่ได้รับการฝึกฝนในภาพธีมฤดูร้อน:

การตั้งค่า:

การพึ่งพา:

  • pytorch

คุณสามารถค้นหาคำแนะนำการติดตั้งโดยละเอียดสำหรับ Ubuntu และ Windows ในคู่มือการติดตั้ง

หลังจากตรวจสอบให้แน่ใจว่ามีการติดตั้ง Pytorch คุณสามารถดาวน์โหลด Places365 Googlenet และ Inception5H (InceptionV1) รุ่นที่ได้รับการฝึกฝนด้วยคำสั่งต่อไปนี้: 

 python models/download_models.py

หากคุณเพียงแค่ต้องการสร้าง DeepDreams ด้วยโมเดลที่ผ่านการฝึกฝนหรือคุณดาวน์โหลดโมเดล Pretrained ที่ทำโดยคนอื่นที่มีผู้สร้างในฝันคุณสามารถข้ามไปข้างหน้าเพื่อแสดงภาพโมเดล

เริ่มต้น

  1. สร้างและเตรียมชุดข้อมูลของคุณ

    1. รวบรวมภาพ

    2. เรียงลำดับภาพในรูปแบบที่ต้องการ

    3. ลบภาพที่เสียหาย

    4. ตรวจสอบให้แน่ใจว่ามีการลบซ้ำหากคุณยังไม่ได้ทำไปแล้ว

    5. ปรับขนาดชุดข้อมูลเพื่อเพิ่มความเร็วในการฝึกอบรม

    6. คำนวณค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐานของชุดข้อมูลของคุณ

  2. ฝึกอบรมโมเดล googlenet

  3. เห็นภาพผลลัพธ์

  4. หากผลลัพธ์ไม่ดีคุณอาจต้องกลับไปที่ขั้นตอนที่ 1-2 และทำการเปลี่ยนแปลงบางอย่างกับภาพหมวดหมู่และพารามิเตอร์การฝึกอบรมที่ใช้

อาจใช้เวลาเพียง 5 ยุคในการสร้างการสร้างภาพข้อมูลที่มีลักษณะคล้ายกับข้อมูลการฝึกอบรมของคุณโดยใช้เลเยอร์ FC/Logits หลัก เพื่อเพิ่มความเร็วในการฝึกอบรมและสร้างผลลัพธ์ที่ดูดีขึ้นโมเดล BVLC ที่ใช้ไว้ล่วงหน้าที่ใช้จะถูกแช่แข็งบางส่วนเพื่อป้องกันการเปลี่ยนแปลงเลเยอร์ที่ต่ำกว่า

การสร้างชุดข้อมูล

ในการฝึกอบรมแบบจำลอง DeepDream ที่กำหนดเองคุณจะต้องสร้างชุดข้อมูลที่ประกอบด้วยรูปภาพที่คุณต้องการใช้สำหรับการฝึกอบรม มีหลายวิธีที่คุณสามารถมองเห็นภาพสำหรับชุดข้อมูลของคุณและคุณจะต้องมีภาพอย่างน้อยสองร้อยภาพสำหรับแต่ละหมวดหมู่/คลาส

DeepDream มักจะดำเนินการกับรูปแบบการจำแนกรูปภาพที่ผ่านการฝึกอบรมในชุดข้อมูลภาพที่ประกอบด้วยหมวดหมู่/คลาสที่แตกต่างกัน รูปแบบการจำแนกภาพพยายามเรียนรู้ความแตกต่างระหว่างคลาสภาพที่แตกต่างกันและในการทำเช่นนั้นเซลล์ประสาทจะได้รับความสามารถในการสร้างภาพหลอนเหมือนฝัน ภาพที่คุณเลือกความแตกต่างระหว่างพวกเขาความแตกต่างระหว่างคลาสที่คุณเลือกและจำนวนภาพที่ใช้จะส่งผลกระทบอย่างมากต่อการสร้างภาพข้อมูลที่สามารถผลิตได้

ชุดข้อมูลรูปภาพ Pytorch จะต้องมีโครงสร้างโดยไดเรกทอรี/โฟลเดอร์หลักมีโฟลเดอร์ย่อย/ไดเรกทอรีสำหรับแต่ละหมวดหมู่/คลาส ด้านล่างตัวอย่างของโครงสร้างชุดข้อมูลที่ต้องการจะแสดงขึ้น: 

 dataset_dir
│
└───category1
│   │   image1.jpg
│   │   image2.jpg
│   │   image3.jpg
│
└───category2
    │   image1.jpg
    │   image2.jpg
    │   image3.jpg

เมื่อคุณสร้างชุดข้อมูลของคุณในรูปแบบที่เหมาะสมตรวจสอบให้แน่ใจว่าคุณลบภาพที่ซ้ำกันหากคุณยังไม่ได้ทำไปแล้ว มีเครื่องมือที่หลากหลายที่คุณสามารถใช้สำหรับงานนี้รวมถึงซอฟต์แวร์ฟรีและโอเพ่นซอร์ส

หากคุณยังไม่ได้ดำเนินการอยู่คุณอาจต้องการสร้างสำเนาสำรองของชุดข้อมูลของคุณ

ถัดไปคุณจะต้องตรวจสอบว่าไม่มีภาพใดที่เสียหายในลักษณะที่ป้องกันไม่ให้ Pytorch โหลด หากต้องการลบภาพที่เสียหายออกจากชุดข้อมูลของคุณโดยอัตโนมัติให้ใช้คำสั่งต่อไปนี้: 

 python data_tools/remove_bad.py -delete_bad -data_path <training_data>

ถัดไปคุณจะต้องการปรับขนาดชุดข้อมูลของคุณให้ใกล้ชิดกับขนาดภาพการฝึกอบรมเพื่อเพิ่มความเร็วในการฝึกอบรม การปรับขนาดชุดข้อมูลของคุณจะไม่ป้องกันไม่ให้คุณสร้างภาพ DeepDream ที่มีขนาดใหญ่ขึ้นด้วยโมเดลผลลัพธ์ สคริปต์การปรับขนาดที่รวมอยู่จะปรับเปลี่ยนรูปภาพที่อยู่เหนือขนาดภาพที่ระบุด้วยความสูงหรือความกว้างเท่านั้น

ในการปรับขนาดภาพในชุดข้อมูลของคุณให้ใช้คำสั่งต่อไปนี้: 

 python data_tools/resize_data.py -data_path <training_data> -max_size 500

ขณะนี้ด้วยชุดข้อมูลที่ปรับขนาดใหม่ของคุณคุณสามารถคำนวณค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐานของชุดข้อมูลของคุณสำหรับใช้ในการฝึกอบรมและการเรียนรู้แบบลึก ตรวจสอบให้แน่ใจว่าได้คำนวณค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐานอีกครั้งหากคุณแก้ไขชุดข้อมูลโดยการเพิ่มหรือลบภาพ

ในการคำนวณค่าเฉลี่ยและค่าเบี่ยงเบนมาตรฐานของชุดข้อมูลของคุณให้ใช้คำสั่งต่อไปนี้และบันทึกเอาต์พุตสำหรับขั้นตอนต่อไป: 

 python data_tools/calc_ms.py -data_path <training_data>

ตอนนี้คุณสามารถเริ่มฝึกอบรมแบบจำลอง DeepDream ของคุณได้โดยใช้สคริปต์การฝึกอบรม Googlenet ขอแนะนำให้คุณบันทึกโมเดลทุก 5-10 ยุคเพื่อตรวจสอบคุณภาพของการสร้างภาพข้อมูล

หลังจากฝึกอบรมโมเดลของคุณคุณสามารถเพิ่มเมทริกซ์สหสัมพันธ์สีให้กับพวกเขาสำหรับ decorrelation สีด้วยคำสั่งต่อไปนี้: 

 python data_tools/calc_cm.py -data_path <training_data> -model_file <bvlc_out120>.pth

การฝึกอบรม Googlenet

คำสั่งการฝึกอบรมขั้นพื้นฐาน: 

 python train_googlenet.py -data_path <training_data> -balance_classes -batch_size 96 -data_mean <mean> -data_sd <sd>

ตัวเลือกอินพุต:

  • -data_path : พา ธ ไปยังไดเรกทอรีชุดข้อมูล/โฟลเดอร์ที่คุณต้องการใช้
  • -data_mean : รายการค่าเฉลี่ยของคุณสำหรับชุดข้อมูลที่คุณเลือก
  • -data_sd : รายการค่าเบี่ยงเบนมาตรฐานสำหรับชุดข้อมูลที่คุณเลือก

ตัวเลือกการฝึกอบรม:

  • -num_epochs : จำนวนการฝึกอบรมที่จะใช้ ค่าเริ่มต้นคือ 120
  • -batch_size : จำนวนการฝึกอบรมและการตรวจสอบภาพที่จะผ่านเครือข่ายในเวลาเดียวกัน ค่าเริ่มต้นคือ 32
  • -learning_rate : อัตราการเรียนรู้ที่จะใช้กับ Adam หรือ SGD Optimizer ค่าเริ่มต้นคือ 1e-2
  • -optimizer : อัลกอริทึมการเพิ่มประสิทธิภาพที่จะใช้; sgd หรือ adam ; ค่าเริ่มต้นคือ sgd
  • -train_workers : มีพนักงานกี่คนที่ใช้สำหรับการฝึกอบรม ค่าเริ่มต้นคือ 0
  • -val_workers : มีพนักงานกี่คนที่ใช้ในการตรวจสอบความถูกต้อง ค่าเริ่มต้นคือ 0
  • -balance_classes : การเปิดใช้งานการตั้งค่าสถานะนี้จะทำให้การฝึกอบรมสมดุลสำหรับแต่ละชั้นเรียนตามขนาดของคลาส

ตัวเลือกรุ่น:

  • -model_file : พา ธ ไปยังไฟล์โมเดล .pth เพื่อใช้สำหรับรุ่นเริ่มต้น ค่าเริ่มต้นคือรุ่น BVLC Googlenet
  • -freeze_to : เลเยอร์ใดที่จะตรึงโมเดลขึ้นไป; หนึ่งใน none , conv1 , conv2 , conv3 , mixed3a , mixed3b , mixed4a , mixed4b , mixed4c , mixed4d , mixed4e , mixed5a หรือ mixed5b ค่าเริ่มต้นคือ mixed3b
  • -freeze_aux1_to : เลเยอร์ใดที่จะตรึงสาขาเสริมแรกถึง; หนึ่งใน none , loss_conv , loss_fc หรือ loss_classifier ค่าเริ่มต้นคือ none
  • -freeze_aux2_to : เลเยอร์ใดที่จะตรึงสาขาเสริมที่สองถึง; หนึ่งใน none , loss_conv , loss_fc หรือ loss_classifier ค่าเริ่มต้นคือ none
  • -delete_branches : หากเปิดใช้งานการตั้งค่าสถานะนี้จะไม่มีการใช้สาขาเสริมในแบบจำลอง

ตัวเลือกผลลัพธ์:

  • -save_epoch : บันทึกโมเดล Every save_epoch Epochs ค่าเริ่มต้นคือ 10 ตั้งค่าเป็น 0 เพื่อปิดใช้งานการบันทึกโมเดลระดับกลาง
  • -output_name : ชื่อของโมเดลเอาต์พุต ค่าเริ่มต้นคือ bvlc_out.pth
  • -individual_acc : การเปิดใช้งานการตั้งค่าสถานะนี้จะพิมพ์ความถูกต้องของแต่ละบุคคลของแต่ละชั้นเรียน
  • -save_csv : การเปิดใช้งานการตั้งค่าสถานะนี้จะบันทึกข้อมูลการสูญเสียและความถูกต้องไปยังไฟล์ TXT
  • -csv_dir : จะบันทึกไฟล์ CSV ได้ที่ไหน ค่าเริ่มต้นถูกตั้งค่าเป็นไดเรกทอรีการทำงานปัจจุบัน

ตัวเลือกอื่น ๆ :

  • -use_device : ID ดัชนีที่ไม่มีการจัดทำ GPU เพื่อใช้ Plus cuda: ค่าเริ่มต้นคือ cuda:0
  • -seed : ค่าจำนวนเต็มที่คุณสามารถระบุสำหรับผลลัพธ์ที่ทำซ้ำได้ โดยค่าเริ่มต้นค่านี้จะสุ่มสำหรับการรันแต่ละครั้ง

ตัวเลือกชุดข้อมูล:

  • -val_percent : เปอร์เซ็นต์ของภาพจากแต่ละคลาสที่จะใช้สำหรับการตรวจสอบความถูกต้อง ค่าเริ่มต้นคือ 0.2

การแสดงภาพผลลัพธ์

การแสดงผลของ LOOGLENET FC ผลลัพธ์

หลังจากฝึกอบรมแบบจำลอง DeepDream ใหม่คุณจะต้องทดสอบการสร้างภาพข้อมูล การสร้างภาพข้อมูลที่ดีที่สุดพบได้ในชั้น FC หลักหรือที่เรียกว่าเลเยอร์ 'logits' สคริปต์นี้ช่วยให้คุณเห็นภาพช่องสัญญาณของเลเยอร์ที่ระบุอย่างรวดเร็วและง่ายดายในรุ่นเฉพาะสำหรับยุคโมเดลเฉพาะโดยการสร้างภาพแยกต่างหากสำหรับแต่ละช่อง

ตัวเลือกอินพุต:

  • -model_file : เส้นทางไปยังโมเดล googlenet pretrained ที่คุณต้องการใช้
  • -learning_rate : อัตราการเรียนรู้ที่จะใช้กับเครื่องมือเพิ่มประสิทธิภาพ ADAM หรือ L-BFGS ค่าเริ่มต้นคือ 1.5
  • -optimizer : อัลกอริทึมการเพิ่มประสิทธิภาพที่จะใช้; lbfgs หรือ adam ; ค่าเริ่มต้นคือ adam
  • -num_iterations : ค่าเริ่มต้นคือ 500
  • -layer : เลเยอร์เฉพาะที่คุณต้องการใช้ ค่าเริ่มต้นถูกตั้งค่าเป็น fc
  • -extract_neuron : หากเปิดใช้งานการตั้งค่าสถานะนี้เซลล์ประสาทกลางจะถูกสกัดจากแต่ละช่อง
  • -image_size : รายการที่คั่นด้วยเครื่องหมายจุลภาคของ <height>,<width> เพื่อใช้สำหรับภาพเอาต์พุต ค่าเริ่มต้นถูกตั้งค่าเป็น 224,224
  • -jitter : ปริมาณของภาพกระวนกระวายใจที่จะใช้สำหรับการประมวลผลล่วงหน้า ค่าเริ่มต้นคือ 16
  • -fft_decorrelation : ไม่ว่าจะใช้ decorrelation เชิงพื้นที่ FFT หรือไม่ หากเปิดใช้งานควรใช้อัตราการเรียนรู้ที่ต่ำกว่า
  • -color_decorrelation : ไม่ว่าจะใช้ decorrelation สีหรือไม่ เลือกรายการค่าคั่นด้วยเครื่องหมายจุลภาคสำหรับเมทริกซ์สหสัมพันธ์สี หากไม่มีการจัดเตรียมค่าความพยายามในการโหลดเมทริกซ์สหสัมพันธ์สีจากไฟล์โมเดลจะทำก่อนที่จะเริ่มต้นกับเมทริกซ์สหสัมพันธ์สี Imagenet
  • -random_scale : ไม่ว่าจะใช้การปรับขนาดแบบสุ่มหรือไม่ เป็นทางเลือกให้รายการคั่นด้วยเครื่องหมายจุลภาคของค่าสำหรับเครื่องชั่งที่จะถูกสุ่มเลือกจาก หากไม่มีการจัดเตรียมค่าสเกลจะถูกสุ่มเลือกจากรายการต่อไปนี้: 1, 0.975, 1.025, 0.95, 1.05
  • -random_rotation : ไม่ว่าจะใช้การหมุนแบบสุ่มหรือไม่ เป็นทางเลือกให้รายการที่คั่นด้วยเครื่องหมายจุลภาคของค่าปริญญาสำหรับการหมุนที่จะถูกสุ่มเลือกจากหรือค่าเดียวที่จะใช้สำหรับการเลือกองศาแบบสุ่มจาก [-value, value] หากไม่มีการจัดเตรียมค่าจะมีการใช้ช่วง [-5, 5]
  • -padding : ปริมาณของช่องว่างภายในที่จะใช้ก่อนการปรับขนาดแบบสุ่มและการหมุนแบบสุ่มเพื่อป้องกันสิ่งประดิษฐ์ขอบ ช่องว่างภายในจะถูกลบออกหลังจากการแปลง ค่าเริ่มต้นถูกตั้งค่าเป็น 0 เพื่อปิดการใช้งาน

ตัวเลือกการประมวลผล:

  • -batch_size : จำนวนภาพการสร้างภาพช่องสัญญาณที่จะสร้างในแต่ละชุด ค่าเริ่มต้นคือ 10
  • -start_channel : ช่องอะไรที่จะเริ่มสร้างภาพการสร้างภาพข้อมูลที่ ค่าเริ่มต้นคือ 0
  • -end_channel : ช่องอะไรที่จะหยุดการสร้างภาพการสร้างภาพที่ ค่าเริ่มต้นถูกตั้งค่าเป็น -1 สำหรับทุกช่อง

จำเป็นเฉพาะในกรณีที่โมเดลไม่มีตัวเลือก :

  • -model_epoch : ยุคการฝึกอบรมที่โมเดลถูกบันทึกไว้เพื่อใช้สำหรับชื่อภาพเอาต์พุต ค่าเริ่มต้นคือ 120
  • -data_mean : รายการค่าเฉลี่ยของค่าเฉลี่ยที่ใช้ในการฝึกอบรมแบบจำลองหากพวกเขาไม่ได้บันทึกไว้ในโมเดล
  • -num_classes : จำนวนคลาสที่โมเดลได้รับการฝึกฝน ค่าเริ่มต้นคือ 120

ตัวเลือกผลลัพธ์ :

  • -output_dir : จะบันทึกภาพเอาต์พุตได้ที่ไหน ค่าเริ่มต้นถูกตั้งค่าเป็นไดเรกทอรีการทำงานปัจจุบัน
  • -print_iter : พิมพ์ความคืบหน้าทุกการทำซ้ำ print_iter ตั้งค่าเป็น 0 เพื่อปิดการพิมพ์
  • -save_iter : บันทึกภาพ save_iter ทุกครั้ง ค่าเริ่มต้นคือ 0 เพื่อปิดใช้งานการบันทึกผลลัพธ์ระดับกลาง

ตัวเลือกอื่น ๆ :

  • -use_device : ID ดัชนีที่ไม่มีการจัดทำ GPU เพื่อใช้ Plus cuda: ค่าเริ่มต้นคือ cuda:0
  • -seed : ค่าจำนวนเต็มที่คุณสามารถระบุสำหรับผลลัพธ์ที่ทำซ้ำได้ โดยค่าเริ่มต้นค่านี้จะสุ่มสำหรับการรันแต่ละครั้ง

การสร้างภาพเลเยอร์ FC ขั้นพื้นฐาน (logits): 

 python vis_multi.py -model_file <bvlc_out120>.pth

การสร้างภาพเลเยอร์ Advanced FC (logits): 

 python vis_multi.py -model_file <bvlc_out120>.pth -layer fc -color_decorrelation -fft_decorrelation -random_scale -random_rotation -lr 0.4 -output_dir <output_dir> -padding 16 -jitter 16,8

แสดง DeepDream ด้วยรุ่นที่ผ่านการฝึกอบรมใหม่ของคุณ

สคริปต์นี้ช่วยให้คุณสร้างภาพหลอน DeepDream ด้วยโมเดล Googlenet ที่ผ่านการฝึกอบรม

ตัวเลือกอินพุต:

  • -model_file : เส้นทางไปยังโมเดล googlenet pretrained ที่คุณต้องการใช้
  • -learning_rate : อัตราการเรียนรู้ที่จะใช้กับเครื่องมือเพิ่มประสิทธิภาพ ADAM หรือ L-BFGS ค่าเริ่มต้นคือ 1.5
  • -optimizer : อัลกอริทึมการเพิ่มประสิทธิภาพที่จะใช้; lbfgs หรือ adam ; ค่าเริ่มต้นคือ adam
  • -num_iterations : ค่าเริ่มต้นคือ 500
  • -content_image : เส้นทางไปยังรูปภาพอินพุตของคุณ หากไม่มีการระบุภาพอินพุตให้ใช้สัญญาณรบกวนแบบสุ่มแทน
  • -layer : เลเยอร์เฉพาะที่คุณต้องการใช้ ค่าเริ่มต้นถูกตั้งค่าเป็น mixed5a
  • -channel : ช่องเลเยอร์เฉพาะที่คุณต้องการใช้ ค่าเริ่มต้นถูกตั้งค่าเป็น -1 เพื่อปิดใช้งานการเลือกช่องสัญญาณเฉพาะ
  • -extract_neuron : หากเปิดใช้งานค่าสถานะนี้เซลล์ประสาทกลางจะถูกสกัดจากช่องทางที่เลือกโดยพารามิเตอร์ -channel
  • -image_size : รายการที่คั่นด้วยเครื่องหมายจุลภาคของ <height>,<width> เพื่อใช้สำหรับภาพเอาต์พุต หากมีค่าเดียวสำหรับความยาวด้านสูงสุดพร้อมกับภาพเนื้อหาความยาวด้านต่ำสุดจะถูกคำนวณโดยอัตโนมัติ ค่าเริ่มต้นถูกตั้งค่าเป็น 224,224
  • -jitter : ปริมาณของภาพกระวนกระวายใจที่จะใช้สำหรับการประมวลผลล่วงหน้า ค่าเริ่มต้นคือ 16
  • -fft_decorrelation : ไม่ว่าจะใช้ decorrelation เชิงพื้นที่ FFT หรือไม่ หากเปิดใช้งานควรใช้อัตราการเรียนรู้ที่ต่ำกว่า
  • -color_decorrelation : ไม่ว่าจะใช้ decorrelation สีหรือไม่ เลือกรายการค่าคั่นด้วยเครื่องหมายจุลภาคสำหรับเมทริกซ์สหสัมพันธ์สี หากไม่มีการจัดเตรียมค่าความพยายามในการโหลดเมทริกซ์สหสัมพันธ์สีจากไฟล์โมเดลจะทำก่อนที่จะเริ่มต้นกับเมทริกซ์สหสัมพันธ์สี Imagenet
  • -random_scale : ไม่ว่าจะใช้การปรับขนาดแบบสุ่มหรือไม่ เป็นทางเลือกให้รายการคั่นด้วยเครื่องหมายจุลภาคของค่าสำหรับเครื่องชั่งที่จะถูกสุ่มเลือกจาก หากไม่มีการจัดเตรียมค่าสเกลจะถูกสุ่มเลือกจากรายการต่อไปนี้: 1, 0.975, 1.025, 0.95, 1.05
  • -random_rotation : ไม่ว่าจะใช้การหมุนแบบสุ่มหรือไม่ เป็นทางเลือกให้รายการที่คั่นด้วยเครื่องหมายจุลภาคของค่าปริญญาสำหรับการหมุนที่จะถูกสุ่มเลือกจากหรือค่าเดียวที่จะใช้สำหรับการเลือกองศาแบบสุ่มจาก [-value, value] หากไม่มีการจัดเตรียมค่าจะมีการใช้ช่วง [-5, 5]
  • -padding : ปริมาณของช่องว่างภายในที่จะใช้ก่อนการปรับขนาดแบบสุ่มและการหมุนแบบสุ่มเพื่อป้องกันสิ่งประดิษฐ์ขอบ ช่องว่างภายในจะถูกลบออกหลังจากการแปลง ค่าเริ่มต้นถูกตั้งค่าเป็น 0 เพื่อปิดการใช้งาน
  • -layer_vis : ไม่ว่าจะใช้ DeepDream หรือการสร้างภาพทิศทางเมื่อไม่แสดงภาพช่องเลเยอร์เฉพาะ หนึ่งใน deepdream หรือ direction ; ค่าเริ่มต้นคือ deepdream

จำเป็นเฉพาะในกรณีที่โมเดลไม่มีตัวเลือก :

  • -data_mean : รายการค่าเฉลี่ยของค่าเฉลี่ยที่ใช้ในการฝึกอบรมแบบจำลองหากพวกเขาไม่ได้บันทึกไว้ในโมเดล
  • -num_classes : จำนวนคลาสที่โมเดลได้รับการฝึกฝนหากไม่ได้บันทึกไว้ในโมเดล

ตัวเลือกผลลัพธ์ :

  • -output_image : ชื่อของภาพเอาต์พุต ค่าเริ่มต้นคือ out.png
  • -print_iter : พิมพ์ความคืบหน้าทุกการทำซ้ำ print_iter ตั้งค่าเป็น 0 เพื่อปิดการพิมพ์
  • -save_iter : บันทึกภาพ save_iter ทุกครั้ง ค่าเริ่มต้นคือ 0 เพื่อปิดใช้งานการบันทึกผลลัพธ์ระดับกลาง

ตัวเลือกการปูกระเบื้อง:

  • -tile_size : ขนาดกระเบื้องที่ต้องการใช้ ไม่ว่าจะเป็นรายการที่คั่นด้วยเครื่องหมายจุลภาคของ <height>,<width> หรือค่าเดียวที่จะใช้สำหรับทั้งความสูงและความกว้างของกระเบื้อง ค่าเริ่มต้นถูกตั้งค่าเป็น 0 เป็นปิดการใช้งานการปูกระเบื้อง
  • -tile_overlap : เปอร์เซ็นต์ของการทับซ้อนที่จะใช้สำหรับกระเบื้อง ค่าเริ่มต้นคือ 25 สำหรับการทับซ้อน 25% เปอร์เซ็นต์การทับซ้อนกันมากกว่า 50% จะส่งผลให้เกิดปัญหา
  • -tile_iter : ค่าเริ่มต้นคือ 50

ตัวเลือกอื่น ๆ :

  • -use_device : ID ดัชนีที่ไม่มีการจัดทำ GPU เพื่อใช้ Plus cuda: ค่าเริ่มต้นคือ cuda:0
  • -seed : ค่าจำนวนเต็มที่คุณสามารถระบุสำหรับผลลัพธ์ที่ทำซ้ำได้ โดยค่าเริ่มต้นค่านี้จะสุ่มสำหรับการรันแต่ละครั้ง

DeepDream พื้นฐาน: 

 python vis.py -model_file <bvlc_out120>.pth -layer mixed5a

DeepDream ขั้นสูง: 

 python vis.py -model_file <bvlc_out120>.pth -layer mixed5a/conv_5x5_relu -channel 9 -color_decorrelation -fft_decorrelation -random_scale -random_rotation -lr 0.4 -padding 16 -jitter 16,8

การทำความสะอาดชุดข้อมูล + เครื่องมือการสร้างและการสร้างภาพข้อมูล

ดูที่นี่สำหรับข้อมูลเพิ่มเติมเกี่ยวกับสคริปต์/เครื่องมือที่รวมอยู่ทั้งหมดที่เกี่ยวข้องกับการสร้างชุดข้อมูลการทำความสะอาดและการเตรียมการ

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด