सहायता Kaggle पर TensorFlow साथ ग्रेट बैरियर रीफ की रक्षा चैलेंज में शामिल हों

स्क्रैच से ट्रेनिंग लूप लिखना

TensorFlow.org पर देखें Google Colab में चलाएं GitHub पर स्रोत देखें नोटबुक डाउनलोड करें

सेट अप

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import numpy as np

परिचय

Keras डिफ़ॉल्ट प्रशिक्षण और मूल्यांकन छोरों, प्रदान करता है fit() और evaluate() । उनके उपयोग गाइड में कवर किया जाता है प्रशिक्षण और बिल्ट-इन तरीकों के साथ मूल्यांकन

आप अपने मॉडल की सीखने एल्गोरिथ्म अनुकूलित करने के लिए, जबकि अभी भी की सुविधा का लाभ चाहते हैं fit() (उदाहरण के लिए, एक GAN प्रशिक्षित करने के लिए उपयोग कर रहा fit() ), आप उपवर्ग कर सकते हैं Model वर्ग और अपने खुद के लागू train_step() विधि है, जो के दौरान बार-बार कहा जाता है fit() । इस गाइड में कवर किया जाता है अनुकूलित क्या में होता है fit()

अब, यदि आप प्रशिक्षण और मूल्यांकन पर बहुत निम्न-स्तरीय नियंत्रण चाहते हैं, तो आपको शुरू से ही अपना प्रशिक्षण और मूल्यांकन लूप लिखना चाहिए। इस गाइड के बारे में यही है।

का उपयोग करते हुए GradientTape : पहली बार एक एंड-टू-एंड उदाहरण

एक मॉडल कॉलिंग के अंदर एक GradientTape गुंजाइश एक नुकसान मूल्य के संबंध में परत के trainable वजन का ढ़ाल पुनः प्राप्त करने के लिए सक्षम बनाता है। एक अनुकूलक उदाहरण का उपयोग करना, आप इन चर (आप उपयोग कर प्राप्त कर सकते हैं जो अद्यतन करने के लिए इन ढ़ाल का उपयोग कर सकते model.trainable_weights )।

आइए एक साधारण MNIST मॉडल पर विचार करें:

inputs = keras.Input(shape=(784,), name="digits")
x1 = layers.Dense(64, activation="relu")(inputs)
x2 = layers.Dense(64, activation="relu")(x1)
outputs = layers.Dense(10, name="predictions")(x2)
model = keras.Model(inputs=inputs, outputs=outputs)

आइए कस्टम प्रशिक्षण लूप के साथ मिनी-बैच ग्रेडिएंट का उपयोग करके इसे प्रशिक्षित करें।

सबसे पहले, हमें एक अनुकूलक, एक हानि फ़ंक्शन और एक डेटासेट की आवश्यकता होगी:

# Instantiate an optimizer.
optimizer = keras.optimizers.SGD(learning_rate=1e-3)
# Instantiate a loss function.
loss_fn = keras.losses.SparseCategoricalCrossentropy(from_logits=True)

# Prepare the training dataset.
batch_size = 64
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
x_train = np.reshape(x_train, (-1, 784))
x_test = np.reshape(x_test, (-1, 784))

# Reserve 10,000 samples for validation.
x_val = x_train[-10000:]
y_val = y_train[-10000:]
x_train = x_train[:-10000]
y_train = y_train[:-10000]

# Prepare the training dataset.
train_dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train))
train_dataset = train_dataset.shuffle(buffer_size=1024).batch(batch_size)

# Prepare the validation dataset.
val_dataset = tf.data.Dataset.from_tensor_slices((x_val, y_val))
val_dataset = val_dataset.batch(batch_size)
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 1s 0us/step
11501568/11490434 [==============================] - 1s 0us/step

यहाँ हमारा प्रशिक्षण लूप है:

  • हम एक खोलने for पाश कि अवधियों को अधिक दोहराता
  • प्रत्येक युग के लिए, हम एक खोलने for पाश कि दोहराता डाटासेट से अधिक, बैचों में
  • प्रत्येक बैच के लिए, हम एक खोलने GradientTape() गुंजाइश
  • इस दायरे के अंदर, हम मॉडल (फॉरवर्ड पास) को कॉल करते हैं और नुकसान की गणना करते हैं
  • दायरे से बाहर, हम नुकसान के संबंध में मॉडल के वजन के ग्रेडिएंट को पुनः प्राप्त करते हैं
  • अंत में, हम ग्रेडिएंट के आधार पर मॉडल के वजन को अपडेट करने के लिए ऑप्टिमाइज़र का उपयोग करते हैं
epochs = 2
for epoch in range(epochs):
    print("\nStart of epoch %d" % (epoch,))

    # Iterate over the batches of the dataset.
    for step, (x_batch_train, y_batch_train) in enumerate(train_dataset):

        # Open a GradientTape to record the operations run
        # during the forward pass, which enables auto-differentiation.
        with tf.GradientTape() as tape:

            # Run the forward pass of the layer.
            # The operations that the layer applies
            # to its inputs are going to be recorded
            # on the GradientTape.
            logits = model(x_batch_train, training=True)  # Logits for this minibatch

            # Compute the loss value for this minibatch.
            loss_value = loss_fn(y_batch_train, logits)

        # Use the gradient tape to automatically retrieve
        # the gradients of the trainable variables with respect to the loss.
        grads = tape.gradient(loss_value, model.trainable_weights)

        # Run one step of gradient descent by updating
        # the value of the variables to minimize the loss.
        optimizer.apply_gradients(zip(grads, model.trainable_weights))

        # Log every 200 batches.
        if step % 200 == 0:
            print(
                "Training loss (for one batch) at step %d: %.4f"
                % (step, float(loss_value))
            )
            print("Seen so far: %s samples" % ((step + 1) * batch_size))
Start of epoch 0
Training loss (for one batch) at step 0: 68.7478
Seen so far: 64 samples
Training loss (for one batch) at step 200: 1.9448
Seen so far: 12864 samples
Training loss (for one batch) at step 400: 1.1859
Seen so far: 25664 samples
Training loss (for one batch) at step 600: 0.6914
Seen so far: 38464 samples

Start of epoch 1
Training loss (for one batch) at step 0: 0.9113
Seen so far: 64 samples
Training loss (for one batch) at step 200: 0.9550
Seen so far: 12864 samples
Training loss (for one batch) at step 400: 0.5139
Seen so far: 25664 samples
Training loss (for one batch) at step 600: 0.7227
Seen so far: 38464 samples

मेट्रिक्स की निम्न-स्तरीय हैंडलिंग

आइए इस बुनियादी लूप में मेट्रिक्स मॉनिटरिंग जोड़ें।

स्क्रैच से लिखे गए ऐसे ट्रेनिंग लूप में आप बिल्ट-इन मेट्रिक्स (या आपके द्वारा लिखे गए कस्टम) का आसानी से पुन: उपयोग कर सकते हैं। यहाँ प्रवाह है:

  • लूप की शुरुआत में मीट्रिक को इंस्टेंट करें
  • कॉल metric.update_state() प्रत्येक बैच के बाद
  • कॉल metric.result() जब आप मीट्रिक के वर्तमान मूल्य प्रदर्शित करने के लिए की जरूरत है
  • कॉल metric.reset_states() जब आप (आम तौर पर एक युग के अंत में) मीट्रिक के राज्य स्पष्ट करने की जरूरत है

चलो इस ज्ञान का उपयोग गणना करने के लिए करते हैं SparseCategoricalAccuracy प्रत्येक युग के अंत में मान्यता डेटा पर:

# Get model
inputs = keras.Input(shape=(784,), name="digits")
x = layers.Dense(64, activation="relu", name="dense_1")(inputs)
x = layers.Dense(64, activation="relu", name="dense_2")(x)
outputs = layers.Dense(10, name="predictions")(x)
model = keras.Model(inputs=inputs, outputs=outputs)

# Instantiate an optimizer to train the model.
optimizer = keras.optimizers.SGD(learning_rate=1e-3)
# Instantiate a loss function.
loss_fn = keras.losses.SparseCategoricalCrossentropy(from_logits=True)

# Prepare the metrics.
train_acc_metric = keras.metrics.SparseCategoricalAccuracy()
val_acc_metric = keras.metrics.SparseCategoricalAccuracy()

यहां हमारा प्रशिक्षण और मूल्यांकन लूप है:

import time

epochs = 2
for epoch in range(epochs):
    print("\nStart of epoch %d" % (epoch,))
    start_time = time.time()

    # Iterate over the batches of the dataset.
    for step, (x_batch_train, y_batch_train) in enumerate(train_dataset):
        with tf.GradientTape() as tape:
            logits = model(x_batch_train, training=True)
            loss_value = loss_fn(y_batch_train, logits)
        grads = tape.gradient(loss_value, model.trainable_weights)
        optimizer.apply_gradients(zip(grads, model.trainable_weights))

        # Update training metric.
        train_acc_metric.update_state(y_batch_train, logits)

        # Log every 200 batches.
        if step % 200 == 0:
            print(
                "Training loss (for one batch) at step %d: %.4f"
                % (step, float(loss_value))
            )
            print("Seen so far: %d samples" % ((step + 1) * batch_size))

    # Display metrics at the end of each epoch.
    train_acc = train_acc_metric.result()
    print("Training acc over epoch: %.4f" % (float(train_acc),))

    # Reset training metrics at the end of each epoch
    train_acc_metric.reset_states()

    # Run a validation loop at the end of each epoch.
    for x_batch_val, y_batch_val in val_dataset:
        val_logits = model(x_batch_val, training=False)
        # Update val metrics
        val_acc_metric.update_state(y_batch_val, val_logits)
    val_acc = val_acc_metric.result()
    val_acc_metric.reset_states()
    print("Validation acc: %.4f" % (float(val_acc),))
    print("Time taken: %.2fs" % (time.time() - start_time))
Start of epoch 0
Training loss (for one batch) at step 0: 88.9958
Seen so far: 64 samples
Training loss (for one batch) at step 200: 2.2214
Seen so far: 12864 samples
Training loss (for one batch) at step 400: 1.3083
Seen so far: 25664 samples
Training loss (for one batch) at step 600: 0.8282
Seen so far: 38464 samples
Training acc over epoch: 0.7406
Validation acc: 0.8201
Time taken: 6.31s

Start of epoch 1
Training loss (for one batch) at step 0: 0.3276
Seen so far: 64 samples
Training loss (for one batch) at step 200: 0.4819
Seen so far: 12864 samples
Training loss (for one batch) at step 400: 0.5971
Seen so far: 25664 samples
Training loss (for one batch) at step 600: 0.5862
Seen so far: 38464 samples
Training acc over epoch: 0.8474
Validation acc: 0.8676
Time taken: 5.98s

तेजी के साथ अपने प्रशिक्षण कदम tf.function

TensorFlow 2 में डिफ़ॉल्ट क्रम है उत्सुक निष्पादन । जैसे, ऊपर हमारा प्रशिक्षण लूप उत्सुकता से निष्पादित होता है।

यह डिबगिंग के लिए बहुत अच्छा है, लेकिन ग्राफ़ संकलन का एक निश्चित प्रदर्शन लाभ है। आपकी गणना को एक स्थिर ग्राफ़ के रूप में वर्णित करने से फ्रेमवर्क वैश्विक प्रदर्शन अनुकूलन लागू करने में सक्षम होता है। यह तब असंभव है जब ढांचा लालच से एक के बाद एक ऑपरेशन को अंजाम देने के लिए विवश हो, बिना यह जाने कि आगे क्या होगा।

आप एक स्थिर ग्राफ में किसी भी फ़ंक्शन को संकलित कर सकते हैं जो इनपुट के रूप में टेंसर लेता है। बस एक जोड़ने @tf.function उस पर डेकोरेटर, इस तरह:

@tf.function
def train_step(x, y):
    with tf.GradientTape() as tape:
        logits = model(x, training=True)
        loss_value = loss_fn(y, logits)
    grads = tape.gradient(loss_value, model.trainable_weights)
    optimizer.apply_gradients(zip(grads, model.trainable_weights))
    train_acc_metric.update_state(y, logits)
    return loss_value

आइए मूल्यांकन चरण के साथ भी ऐसा ही करें:

@tf.function
def test_step(x, y):
    val_logits = model(x, training=False)
    val_acc_metric.update_state(y, val_logits)

अब, इस संकलित प्रशिक्षण चरण के साथ अपने प्रशिक्षण लूप को फिर से चलाते हैं:

import time

epochs = 2
for epoch in range(epochs):
    print("\nStart of epoch %d" % (epoch,))
    start_time = time.time()

    # Iterate over the batches of the dataset.
    for step, (x_batch_train, y_batch_train) in enumerate(train_dataset):
        loss_value = train_step(x_batch_train, y_batch_train)

        # Log every 200 batches.
        if step % 200 == 0:
            print(
                "Training loss (for one batch) at step %d: %.4f"
                % (step, float(loss_value))
            )
            print("Seen so far: %d samples" % ((step + 1) * batch_size))

    # Display metrics at the end of each epoch.
    train_acc = train_acc_metric.result()
    print("Training acc over epoch: %.4f" % (float(train_acc),))

    # Reset training metrics at the end of each epoch
    train_acc_metric.reset_states()

    # Run a validation loop at the end of each epoch.
    for x_batch_val, y_batch_val in val_dataset:
        test_step(x_batch_val, y_batch_val)

    val_acc = val_acc_metric.result()
    val_acc_metric.reset_states()
    print("Validation acc: %.4f" % (float(val_acc),))
    print("Time taken: %.2fs" % (time.time() - start_time))
Start of epoch 0
Training loss (for one batch) at step 0: 0.7921
Seen so far: 64 samples
Training loss (for one batch) at step 200: 0.7755
Seen so far: 12864 samples
Training loss (for one batch) at step 400: 0.1564
Seen so far: 25664 samples
Training loss (for one batch) at step 600: 0.3181
Seen so far: 38464 samples
Training acc over epoch: 0.8788
Validation acc: 0.8866
Time taken: 1.59s

Start of epoch 1
Training loss (for one batch) at step 0: 0.5222
Seen so far: 64 samples
Training loss (for one batch) at step 200: 0.4574
Seen so far: 12864 samples
Training loss (for one batch) at step 400: 0.4035
Seen so far: 25664 samples
Training loss (for one batch) at step 600: 0.7561
Seen so far: 38464 samples
Training acc over epoch: 0.8959
Validation acc: 0.9028
Time taken: 1.27s

बहुत तेज, है ना?

मॉडल द्वारा ट्रैक किए गए नुकसान की निम्न-स्तरीय हैंडलिंग

परतें और मॉडल रिकर्सिवली परतों है कि कॉल द्वारा फॉरवर्ड पास के दौरान बनाए गए किसी भी हानि ट्रैक self.add_loss(value) । अदिश नुकसान मूल्यों के परिणामस्वरूप सूची संपत्ति माध्यम से उपलब्ध हैं model.losses फॉरवर्ड पास के अंत में।

यदि आप इन नुकसान घटकों का उपयोग करना चाहते हैं, तो आपको उन्हें योग करना चाहिए और उन्हें अपने प्रशिक्षण चरण में मुख्य नुकसान में जोड़ना चाहिए।

इस परत पर विचार करें, जो गतिविधि नियमितीकरण हानि पैदा करती है:

class ActivityRegularizationLayer(layers.Layer):
    def call(self, inputs):
        self.add_loss(1e-2 * tf.reduce_sum(inputs))
        return inputs

आइए एक बहुत ही सरल मॉडल बनाते हैं जो इसका उपयोग करता है:

inputs = keras.Input(shape=(784,), name="digits")
x = layers.Dense(64, activation="relu")(inputs)
# Insert activity regularization as a layer
x = ActivityRegularizationLayer()(x)
x = layers.Dense(64, activation="relu")(x)
outputs = layers.Dense(10, name="predictions")(x)

model = keras.Model(inputs=inputs, outputs=outputs)

यहां बताया गया है कि हमारा प्रशिक्षण चरण अब कैसा दिखना चाहिए:

@tf.function
def train_step(x, y):
    with tf.GradientTape() as tape:
        logits = model(x, training=True)
        loss_value = loss_fn(y, logits)
        # Add any extra losses created during the forward pass.
        loss_value += sum(model.losses)
    grads = tape.gradient(loss_value, model.trainable_weights)
    optimizer.apply_gradients(zip(grads, model.trainable_weights))
    train_acc_metric.update_state(y, logits)
    return loss_value

सारांश

अब आप बिल्ट-इन ट्रेनिंग लूप्स का उपयोग करने और स्क्रैच से अपना खुद का लिखने के बारे में सब कुछ जानते हैं।

अंत में, यहां एक सरल एंड-टू-एंड उदाहरण दिया गया है जो इस गाइड में आपके द्वारा सीखी गई हर चीज को एक साथ जोड़ता है: एक DCGAN जो MNIST अंकों पर प्रशिक्षित है।

एंड-टू-एंड उदाहरण: खरोंच से एक GAN प्रशिक्षण लूप

आप जनरेटिव एडवरसैरियल नेटवर्क (जीएएन) से परिचित हो सकते हैं। छवियों के प्रशिक्षण डेटासेट (छवियों का "अव्यक्त स्थान") के अव्यक्त वितरण को सीखकर, GAN लगभग वास्तविक दिखने वाली नई छवियां उत्पन्न कर सकते हैं।

एक GAN दो भागों से बना होता है: एक "जनरेटर" मॉडल जो अव्यक्त स्थान में छवि स्थान में बिंदुओं को मैप करता है, एक "विभेदक" मॉडल, एक क्लासिफायरियर जो वास्तविक छवियों (प्रशिक्षण डेटासेट से) और नकली के बीच अंतर बता सकता है छवियां (जनरेटर नेटवर्क का आउटपुट)।

GAN प्रशिक्षण लूप इस तरह दिखता है:

1) भेदभाव करने वाले को प्रशिक्षित करें। - गुप्त स्थान में यादृच्छिक बिंदुओं के एक बैच का नमूना लें। - "जनरेटर" मॉडल के माध्यम से अंक को नकली छवियों में बदल दें। - वास्तविक छवियों का एक बैच प्राप्त करें और उन्हें उत्पन्न छवियों के साथ संयोजित करें। - उत्पन्न बनाम वास्तविक छवियों को वर्गीकृत करने के लिए "विभेदक" मॉडल को प्रशिक्षित करें।

2) जनरेटर को प्रशिक्षित करें। - गुप्त स्थान में यादृच्छिक बिंदुओं का नमूना लें। - "जनरेटर" नेटवर्क के माध्यम से अंक को नकली छवियों में बदल दें। - वास्तविक छवियों का एक बैच प्राप्त करें और उन्हें उत्पन्न छवियों के साथ संयोजित करें। - "जनरेटर" मॉडल को भेदभाव करने वाले को "मूर्ख" बनाने के लिए प्रशिक्षित करें और नकली छवियों को वास्तविक के रूप में वर्गीकृत करें।

कैसे Gans कार्यों की एक अधिक विस्तृत अवलोकन के लिए, को देखने के अजगर के साथ दीप लर्निंग

आइए इस प्रशिक्षण लूप को लागू करें। सबसे पहले, नकली बनाम वास्तविक अंकों को वर्गीकृत करने के लिए विवेचक बनाएं:

discriminator = keras.Sequential(
    [
        keras.Input(shape=(28, 28, 1)),
        layers.Conv2D(64, (3, 3), strides=(2, 2), padding="same"),
        layers.LeakyReLU(alpha=0.2),
        layers.Conv2D(128, (3, 3), strides=(2, 2), padding="same"),
        layers.LeakyReLU(alpha=0.2),
        layers.GlobalMaxPooling2D(),
        layers.Dense(1),
    ],
    name="discriminator",
)
discriminator.summary()
Model: "discriminator"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d (Conv2D)              (None, 14, 14, 64)        640       
_________________________________________________________________
leaky_re_lu (LeakyReLU)      (None, 14, 14, 64)        0         
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 7, 7, 128)         73856     
_________________________________________________________________
leaky_re_lu_1 (LeakyReLU)    (None, 7, 7, 128)         0         
_________________________________________________________________
global_max_pooling2d (Global (None, 128)               0         
_________________________________________________________________
dense_4 (Dense)              (None, 1)                 129       
=================================================================
Total params: 74,625
Trainable params: 74,625
Non-trainable params: 0
_________________________________________________________________

तब के एक जनरेटर नेटवर्क, उस आकृति के आउटपुट में अव्यक्त वैक्टर बदल जाता है बना सकते हैं (28, 28, 1) (MNIST अंक का प्रतिनिधित्व):

latent_dim = 128

generator = keras.Sequential(
    [
        keras.Input(shape=(latent_dim,)),
        # We want to generate 128 coefficients to reshape into a 7x7x128 map
        layers.Dense(7 * 7 * 128),
        layers.LeakyReLU(alpha=0.2),
        layers.Reshape((7, 7, 128)),
        layers.Conv2DTranspose(128, (4, 4), strides=(2, 2), padding="same"),
        layers.LeakyReLU(alpha=0.2),
        layers.Conv2DTranspose(128, (4, 4), strides=(2, 2), padding="same"),
        layers.LeakyReLU(alpha=0.2),
        layers.Conv2D(1, (7, 7), padding="same", activation="sigmoid"),
    ],
    name="generator",
)

यहाँ मुख्य बात है: प्रशिक्षण लूप। जैसा कि आप देख सकते हैं कि यह काफी सीधा है। प्रशिक्षण चरण समारोह में केवल 17 लाइनें होती हैं।

# Instantiate one optimizer for the discriminator and another for the generator.
d_optimizer = keras.optimizers.Adam(learning_rate=0.0003)
g_optimizer = keras.optimizers.Adam(learning_rate=0.0004)

# Instantiate a loss function.
loss_fn = keras.losses.BinaryCrossentropy(from_logits=True)


@tf.function
def train_step(real_images):
    # Sample random points in the latent space
    random_latent_vectors = tf.random.normal(shape=(batch_size, latent_dim))
    # Decode them to fake images
    generated_images = generator(random_latent_vectors)
    # Combine them with real images
    combined_images = tf.concat([generated_images, real_images], axis=0)

    # Assemble labels discriminating real from fake images
    labels = tf.concat(
        [tf.ones((batch_size, 1)), tf.zeros((real_images.shape[0], 1))], axis=0
    )
    # Add random noise to the labels - important trick!
    labels += 0.05 * tf.random.uniform(labels.shape)

    # Train the discriminator
    with tf.GradientTape() as tape:
        predictions = discriminator(combined_images)
        d_loss = loss_fn(labels, predictions)
    grads = tape.gradient(d_loss, discriminator.trainable_weights)
    d_optimizer.apply_gradients(zip(grads, discriminator.trainable_weights))

    # Sample random points in the latent space
    random_latent_vectors = tf.random.normal(shape=(batch_size, latent_dim))
    # Assemble labels that say "all real images"
    misleading_labels = tf.zeros((batch_size, 1))

    # Train the generator (note that we should *not* update the weights
    # of the discriminator)!
    with tf.GradientTape() as tape:
        predictions = discriminator(generator(random_latent_vectors))
        g_loss = loss_fn(misleading_labels, predictions)
    grads = tape.gradient(g_loss, generator.trainable_weights)
    g_optimizer.apply_gradients(zip(grads, generator.trainable_weights))
    return d_loss, g_loss, generated_images

चलो हमारे GAN प्रशिक्षित, बार-बार फोन करके चलो train_step छवियों के बैच पर।

चूंकि हमारे विवेचक और जनरेटर कन्वनेट हैं, इसलिए आप इस कोड को GPU पर चलाना चाहेंगे।

import os

# Prepare the dataset. We use both the training & test MNIST digits.
batch_size = 64
(x_train, _), (x_test, _) = keras.datasets.mnist.load_data()
all_digits = np.concatenate([x_train, x_test])
all_digits = all_digits.astype("float32") / 255.0
all_digits = np.reshape(all_digits, (-1, 28, 28, 1))
dataset = tf.data.Dataset.from_tensor_slices(all_digits)
dataset = dataset.shuffle(buffer_size=1024).batch(batch_size)

epochs = 1  # In practice you need at least 20 epochs to generate nice digits.
save_dir = "./"

for epoch in range(epochs):
    print("\nStart epoch", epoch)

    for step, real_images in enumerate(dataset):
        # Train the discriminator & generator on one batch of real images.
        d_loss, g_loss, generated_images = train_step(real_images)

        # Logging.
        if step % 200 == 0:
            # Print metrics
            print("discriminator loss at step %d: %.2f" % (step, d_loss))
            print("adversarial loss at step %d: %.2f" % (step, g_loss))

            # Save one generated image
            img = tf.keras.preprocessing.image.array_to_img(
                generated_images[0] * 255.0, scale=False
            )
            img.save(os.path.join(save_dir, "generated_img" + str(step) + ".png"))

        # To limit execution time we stop after 10 steps.
        # Remove the lines below to actually train the model!
        if step > 10:
            break
Start epoch 0
discriminator loss at step 0: 0.69
adversarial loss at step 0: 0.69

इतना ही! Colab GPU पर केवल ~30 के प्रशिक्षण के बाद आपको अच्छे दिखने वाले नकली MNIST अंक प्राप्त होंगे।