अपने स्थानीय TensorFlow के लिए RSVP आज हर जगह घटना!
इस पेज का अनुवाद Cloud Translation API से किया गया है.
Switch to English

CelebA प्रोग्रेसिव GAN मॉडल के साथ कृत्रिम चेहरे उत्पन्न करें

TensorFlow.org पर देखें Google Colab में चलाएं GitHub पर देखें नोटबुक डाउनलोड करें TF हब मॉडल देखें

यह कोलाब एक जेनरेटर एडवरसरी नेटवर्क (GAN) पर आधारित TF-हब मॉड्यूल के उपयोग को प्रदर्शित करता है। मॉड्यूल एन-आयामी वैक्टर से मैप करता है, जिसे अव्यक्त स्थान कहा जाता है, आरजीबी छवियों को।

दो उदाहरण दिए गए हैं:

  • छवियों के लिए अव्यक्त स्थान से मानचित्रण , और
  • एक लक्ष्य छवि को देखते हुए, एक अव्यक्त वेक्टर को खोजने के लिए ढाल वंश का उपयोग करना जो लक्ष्य छवि के समान एक छवि उत्पन्न करता है।

वैकल्पिक पूर्वापेक्षाएँ

अधिक मॉडल

यहाँ आप वर्तमान में tfhub.dev पर होस्ट किए गए सभी मॉडल पा सकते हैं जो चित्र उत्पन्न कर सकते हैं।

सेट अप

05404 एफ 1 डी

आयात और कार्य की परिभाषा

from absl import logging

import imageio
import PIL.Image
import matplotlib.pyplot as plt
import numpy as np

import tensorflow as tf
tf.random.set_seed(0)

import tensorflow_hub as hub
from tensorflow_docs.vis import embed
import time

try:
  from google.colab import files
except ImportError:
  pass

from IPython import display
from skimage import transform

# We could retrieve this value from module.get_input_shapes() if we didn't know
# beforehand which module we will be using.
latent_dim = 512


# Interpolates between two vectors that are non-zero and don't both lie on a
# line going through origin. First normalizes v2 to have the same norm as v1. 
# Then interpolates between the two vectors on the hypersphere.
def interpolate_hypersphere(v1, v2, num_steps):
  v1_norm = tf.norm(v1)
  v2_norm = tf.norm(v2)
  v2_normalized = v2 * (v1_norm / v2_norm)

  vectors = []
  for step in range(num_steps):
    interpolated = v1 + (v2_normalized - v1) * step / (num_steps - 1)
    interpolated_norm = tf.norm(interpolated)
    interpolated_normalized = interpolated * (v1_norm / interpolated_norm)
    vectors.append(interpolated_normalized)
  return tf.stack(vectors)

# Simple way to display an image.
def display_image(image):
  image = tf.constant(image)
  image = tf.image.convert_image_dtype(image, tf.uint8)
  return PIL.Image.fromarray(image.numpy())

# Given a set of images, show an animation.
def animate(images):
  images = np.array(images)
  converted_images = np.clip(images * 255, 0, 255).astype(np.uint8)
  imageio.mimsave('./animation.gif', converted_images)
  return embed.embed_file('./animation.gif')

logging.set_verbosity(logging.ERROR)

अव्यक्त स्थान प्रक्षेप

यादृच्छिक वैक्टर

दो बेतरतीब ढंग से प्रारंभिक वैक्टर के बीच अव्यक्त अंतरिक्ष प्रक्षेप। हम पूर्व-प्रशिक्षित प्रोग्रेसिव GAN में TF-हब मॉड्यूल प्रोगान -128 का उपयोग करेंगे।

progan = hub.load("https://tfhub.dev/google/progan-128/1").signatures['default']
def interpolate_between_vectors():
  v1 = tf.random.normal([latent_dim])
  v2 = tf.random.normal([latent_dim])

  # Creates a tensor with 25 steps of interpolation between v1 and v2.
  vectors = interpolate_hypersphere(v1, v2, 50)

  # Uses module to generate images from the latent space.
  interpolated_images = progan(vectors)['default']

  return interpolated_images

interpolated_images = interpolate_between_vectors()
animate(interpolated_images)

जिफ़

अव्यक्त स्थान में निकटतम वेक्टर का पता लगाना

एक लक्ष्य छवि ठीक करें। एक उदाहरण के रूप में मॉड्यूल से उत्पन्न छवि का उपयोग करें या अपना खुद का अपलोड करें।

image_from_module_space = True  # @param { isTemplate:true, type:"boolean" }

def get_module_space_image():
  vector = tf.random.normal([1, latent_dim])
  images = progan(vector)['default'][0]
  return images

def upload_image():
  uploaded = files.upload()
  image = imageio.imread(uploaded[list(uploaded.keys())[0]])
  return transform.resize(image, [128, 128])

if image_from_module_space:
  target_image = get_module_space_image()
else:
  target_image = upload_image()

display_image(target_image)

पींग

एक अव्यक्त स्थान चर द्वारा उत्पन्न लक्ष्य छवि और छवि के बीच एक हानि फ़ंक्शन को परिभाषित करने के बाद, हम चर मानों को नुकसान को कम करने वाले चर खोजने के लिए ढाल वंश का उपयोग कर सकते हैं।

tf.random.set_seed(42)
initial_vector = tf.random.normal([1, latent_dim])
display_image(progan(initial_vector)['default'][0])

पींग

def find_closest_latent_vector(initial_vector, num_optimization_steps,
                               steps_per_image):
  images = []
  losses = []

  vector = tf.Variable(initial_vector)  
  optimizer = tf.optimizers.Adam(learning_rate=0.01)
  loss_fn = tf.losses.MeanAbsoluteError(reduction="sum")

  for step in range(num_optimization_steps):
    if (step % 100)==0:
      print()
    print('.', end='')
    with tf.GradientTape() as tape:
      image = progan(vector.read_value())['default'][0]
      if (step % steps_per_image) == 0:
        images.append(image.numpy())
      target_image_difference = loss_fn(image, target_image[:,:,:3])
      # The latent vectors were sampled from a normal distribution. We can get
      # more realistic images if we regularize the length of the latent vector to 
      # the average length of vector from this distribution.
      regularizer = tf.abs(tf.norm(vector) - np.sqrt(latent_dim))

      loss = target_image_difference + regularizer
      losses.append(loss.numpy())
    grads = tape.gradient(loss, [vector])
    optimizer.apply_gradients(zip(grads, [vector]))

  return images, losses


num_optimization_steps=200
steps_per_image=5
images, loss = find_closest_latent_vector(initial_vector, num_optimization_steps, steps_per_image)

....................................................................................................
....................................................................................................
plt.plot(loss)
plt.ylim([0,max(plt.ylim())])
(0.0, 6696.219821166992)

पींग

animate(np.stack(images))

जिफ़

परिणाम की तुलना लक्ष्य से करें:

display_image(np.concatenate([images[-1], target_image], axis=1))

पींग

उपरोक्त उदाहरण के साथ खेलना

यदि छवि मॉड्यूल स्थान से है, तो वंश त्वरित है और एक उचित नमूने में परिवर्तित हो जाता है। एक छवि के लिए उतरने का प्रयास करें जो मॉड्यूल स्थान से नहीं है । यदि वंश यथोचित रूप से प्रशिक्षण छवियों के स्थान के करीब है तो वंश केवल अभिसरण होगा।

इसे तेजी से और अधिक यथार्थवादी छवि तक कैसे उतरना है? एक कोशिश कर सकते हैं:

  • छवि अंतर पर अलग-अलग नुकसान का उपयोग करके, जैसे कि द्विघात,
  • अव्यक्त वेक्टर पर अलग-अलग रेग्युलर का उपयोग करना,
  • एक यादृच्छिक वेक्टर से कई रन में आरम्भ करना,
  • आदि।