このページは Cloud Translation API によって翻訳されました。
Switch to English

Pix2Pix

TensorFlow.orgで見る Google Colabで実行 GitHubでソースを表示する ノートブックをダウンロード

このノートブックは、条件付き敵対ネットワークによる画像から画像への変換で説明されているように、条件付きGANを使用した画像から画像への変換を示しています。この手法を使用して、白黒写真に色を付けたり、GoogleマップをGoogle Earthに変換したりできます。ここでは、建物のファサードを実際の建物に変換します。

例では、プラハのチェコ工科大学にある 機械知覚センターが提供するCMPファサードデータベースを使用します。この例を短くするために、上記の論文の著者によって作成された、このデータセットの前処理されたコピーを使用します

各エポックは、単一のV100 GPUで約15秒かかります。

以下は、200エポックのモデルをトレーニングした後に生成された出力です。

サンプルoutput_1サンプル出力_2

TensorFlowとその他のライブラリをインポートする

import tensorflow as tf

import os
import time

from matplotlib import pyplot as plt
from IPython import display
pip install -q -U tensorboard
WARNING: You are using pip version 20.2.2; however, version 20.2.3 is available.
You should consider upgrading via the '/tmpfs/src/tf_docs_env/bin/python -m pip install --upgrade pip' command.

データセットを読み込む

このデータセットと同様のデータセットは、 こちらからダウンロードできます。 論文で述べたように、ランダムなジッタリングとミラーリングをトレーニングデータセットに適用します。

  • ランダムジッタリングでは、画像のサイズが286 x 286変更され、ランダムに256 x 256トリミングされます。
  • ランダムミラーリングでは、画像は水平方向、つまり左から右にランダムに反転します。
_URL = 'https://people.eecs.berkeley.edu/~tinghuiz/projects/pix2pix/datasets/facades.tar.gz'

path_to_zip = tf.keras.utils.get_file('facades.tar.gz',
                                      origin=_URL,
                                      extract=True)

PATH = os.path.join(os.path.dirname(path_to_zip), 'facades/')
Downloading data from https://people.eecs.berkeley.edu/~tinghuiz/projects/pix2pix/datasets/facades.tar.gz
30171136/30168306 [==============================] - 2s 0us/step

BUFFER_SIZE = 400
BATCH_SIZE = 1
IMG_WIDTH = 256
IMG_HEIGHT = 256
def load(image_file):
  image = tf.io.read_file(image_file)
  image = tf.image.decode_jpeg(image)

  w = tf.shape(image)[1]

  w = w // 2
  real_image = image[:, :w, :]
  input_image = image[:, w:, :]

  input_image = tf.cast(input_image, tf.float32)
  real_image = tf.cast(real_image, tf.float32)

  return input_image, real_image
inp, re = load(PATH+'train/100.jpg')
# casting to int for matplotlib to show the image
plt.figure()
plt.imshow(inp/255.0)
plt.figure()
plt.imshow(re/255.0)
<matplotlib.image.AxesImage at 0x7f5576b28550>

png

png

def resize(input_image, real_image, height, width):
  input_image = tf.image.resize(input_image, [height, width],
                                method=tf.image.ResizeMethod.NEAREST_NEIGHBOR)
  real_image = tf.image.resize(real_image, [height, width],
                               method=tf.image.ResizeMethod.NEAREST_NEIGHBOR)

  return input_image, real_image
def random_crop(input_image, real_image):
  stacked_image = tf.stack([input_image, real_image], axis=0)
  cropped_image = tf.image.random_crop(
      stacked_image, size=[2, IMG_HEIGHT, IMG_WIDTH, 3])

  return cropped_image[0], cropped_image[1]
# normalizing the images to [-1, 1]

def normalize(input_image, real_image):
  input_image = (input_image / 127.5) - 1
  real_image = (real_image / 127.5) - 1

  return input_image, real_image
@tf.function()
def random_jitter(input_image, real_image):
  # resizing to 286 x 286 x 3
  input_image, real_image = resize(input_image, real_image, 286, 286)

  # randomly cropping to 256 x 256 x 3
  input_image, real_image = random_crop(input_image, real_image)

  if tf.random.uniform(()) > 0.5:
    # random mirroring
    input_image = tf.image.flip_left_right(input_image)
    real_image = tf.image.flip_left_right(real_image)

  return input_image, real_image

下の画像を見るとわかるように、この論文で説明されているように、ランダムなジッタリングが発生しています。

  1. 画像の高さと幅を大きくする
  2. ターゲットサイズにランダムに切り抜きます
  3. 画像をランダムに水平に反転します
plt.figure(figsize=(6, 6))
for i in range(4):
  rj_inp, rj_re = random_jitter(inp, re)
  plt.subplot(2, 2, i+1)
  plt.imshow(rj_inp/255.0)
  plt.axis('off')
plt.show()

png

def load_image_train(image_file):
  input_image, real_image = load(image_file)
  input_image, real_image = random_jitter(input_image, real_image)
  input_image, real_image = normalize(input_image, real_image)

  return input_image, real_image
def load_image_test(image_file):
  input_image, real_image = load(image_file)
  input_image, real_image = resize(input_image, real_image,
                                   IMG_HEIGHT, IMG_WIDTH)
  input_image, real_image = normalize(input_image, real_image)

  return input_image, real_image

入力パイプライン

train_dataset = tf.data.Dataset.list_files(PATH+'train/*.jpg')
train_dataset = train_dataset.map(load_image_train,
                                  num_parallel_calls=tf.data.experimental.AUTOTUNE)
train_dataset = train_dataset.shuffle(BUFFER_SIZE)
train_dataset = train_dataset.batch(BATCH_SIZE)
test_dataset = tf.data.Dataset.list_files(PATH+'test/*.jpg')
test_dataset = test_dataset.map(load_image_test)
test_dataset = test_dataset.batch(BATCH_SIZE)

ジェネレーターをビルドする

  • ジェネレータのアーキテクチャは、修正されたU-Netです。
  • エンコーダーの各ブロックは(Conv-> Batchnorm-> Leaky ReLU)です。
  • デコーダーの各ブロックは(転置された変換-> Batchnorm->ドロップアウト(最初の3つのブロックに適用)-> ReLU)
  • エンコーダーとデコーダーの間にはスキップ接続があります(U-Netの場合と同様)。
OUTPUT_CHANNELS = 3
def downsample(filters, size, apply_batchnorm=True):
  initializer = tf.random_normal_initializer(0., 0.02)

  result = tf.keras.Sequential()
  result.add(
      tf.keras.layers.Conv2D(filters, size, strides=2, padding='same',
                             kernel_initializer=initializer, use_bias=False))

  if apply_batchnorm:
    result.add(tf.keras.layers.BatchNormalization())

  result.add(tf.keras.layers.LeakyReLU())

  return result
down_model = downsample(3, 4)
down_result = down_model(tf.expand_dims(inp, 0))
print (down_result.shape)
(1, 128, 128, 3)

def upsample(filters, size, apply_dropout=False):
  initializer = tf.random_normal_initializer(0., 0.02)

  result = tf.keras.Sequential()
  result.add(
    tf.keras.layers.Conv2DTranspose(filters, size, strides=2,
                                    padding='same',
                                    kernel_initializer=initializer,
                                    use_bias=False))

  result.add(tf.keras.layers.BatchNormalization())

  if apply_dropout:
      result.add(tf.keras.layers.Dropout(0.5))

  result.add(tf.keras.layers.ReLU())

  return result
up_model = upsample(3, 4)
up_result = up_model(down_result)
print (up_result.shape)
(1, 256, 256, 3)

def Generator():
  inputs = tf.keras.layers.Input(shape=[256,256,3])

  down_stack = [
    downsample(64, 4, apply_batchnorm=False), # (bs, 128, 128, 64)
    downsample(128, 4), # (bs, 64, 64, 128)
    downsample(256, 4), # (bs, 32, 32, 256)
    downsample(512, 4), # (bs, 16, 16, 512)
    downsample(512, 4), # (bs, 8, 8, 512)
    downsample(512, 4), # (bs, 4, 4, 512)
    downsample(512, 4), # (bs, 2, 2, 512)
    downsample(512, 4), # (bs, 1, 1, 512)
  ]

  up_stack = [
    upsample(512, 4, apply_dropout=True), # (bs, 2, 2, 1024)
    upsample(512, 4, apply_dropout=True), # (bs, 4, 4, 1024)
    upsample(512, 4, apply_dropout=True), # (bs, 8, 8, 1024)
    upsample(512, 4), # (bs, 16, 16, 1024)
    upsample(256, 4), # (bs, 32, 32, 512)
    upsample(128, 4), # (bs, 64, 64, 256)
    upsample(64, 4), # (bs, 128, 128, 128)
  ]

  initializer = tf.random_normal_initializer(0., 0.02)
  last = tf.keras.layers.Conv2DTranspose(OUTPUT_CHANNELS, 4,
                                         strides=2,
                                         padding='same',
                                         kernel_initializer=initializer,
                                         activation='tanh') # (bs, 256, 256, 3)

  x = inputs

  # Downsampling through the model
  skips = []
  for down in down_stack:
    x = down(x)
    skips.append(x)

  skips = reversed(skips[:-1])

  # Upsampling and establishing the skip connections
  for up, skip in zip(up_stack, skips):
    x = up(x)
    x = tf.keras.layers.Concatenate()([x, skip])

  x = last(x)

  return tf.keras.Model(inputs=inputs, outputs=x)
generator = Generator()
tf.keras.utils.plot_model(generator, show_shapes=True, dpi=64)

png

gen_output = generator(inp[tf.newaxis,...], training=False)
plt.imshow(gen_output[0,...])
Clipping input data to the valid range for imshow with RGB data ([0..1] for floats or [0..255] for integers).

<matplotlib.image.AxesImage at 0x7f54c85167b8>

png

  • 発電機の損失
    • これは、生成された画像とその配列のシグモイドクロスエントロピー損失です。
    • このペーパーには、生成されたイメージとターゲットイメージ間のMAE(平均絶対誤差)であるL1損失も含まれています。
    • これにより、生成された画像をターゲット画像と構造的に類似させることができます。
    • 総発電機損失を計算する式= gan_loss + LAMBDA * l1_loss、ここでLAMBDA =100。この値は、 論文の著者によって決定されました。

ジェネレーターのトレーニング手順を以下に示します。

LAMBDA = 100
def generator_loss(disc_generated_output, gen_output, target):
  gan_loss = loss_object(tf.ones_like(disc_generated_output), disc_generated_output)

  # mean absolute error
  l1_loss = tf.reduce_mean(tf.abs(target - gen_output))

  total_gen_loss = gan_loss + (LAMBDA * l1_loss)

  return total_gen_loss, gan_loss, l1_loss

ジェネレーター更新イメージ

弁別器を構築する

  • DiscriminatorはPatchGANです。
  • 弁別子の各ブロックは(Conv-> BatchNorm-> Leaky ReLU)です。
  • 最後のレイヤーの後の出力の形状は(batch_size、30、30、1)です
  • 出力の各30x30パッチは、入力画像の70x70部分を分類します(このようなアーキテクチャはPatchGANと呼ばれます)。
  • 弁別器は2つの入力を受け取ります。
    • 入力画像と実際の画像として分類する必要のあるターゲット画像。
    • 入力画像と生成された画像(ジェネレーターの出力)。偽物として分類する必要があります。
    • これら2つの入力をコードで連結します( tf.concat([inp, tar], axis=-1)
def Discriminator():
  initializer = tf.random_normal_initializer(0., 0.02)

  inp = tf.keras.layers.Input(shape=[256, 256, 3], name='input_image')
  tar = tf.keras.layers.Input(shape=[256, 256, 3], name='target_image')

  x = tf.keras.layers.concatenate([inp, tar]) # (bs, 256, 256, channels*2)

  down1 = downsample(64, 4, False)(x) # (bs, 128, 128, 64)
  down2 = downsample(128, 4)(down1) # (bs, 64, 64, 128)
  down3 = downsample(256, 4)(down2) # (bs, 32, 32, 256)

  zero_pad1 = tf.keras.layers.ZeroPadding2D()(down3) # (bs, 34, 34, 256)
  conv = tf.keras.layers.Conv2D(512, 4, strides=1,
                                kernel_initializer=initializer,
                                use_bias=False)(zero_pad1) # (bs, 31, 31, 512)

  batchnorm1 = tf.keras.layers.BatchNormalization()(conv)

  leaky_relu = tf.keras.layers.LeakyReLU()(batchnorm1)

  zero_pad2 = tf.keras.layers.ZeroPadding2D()(leaky_relu) # (bs, 33, 33, 512)

  last = tf.keras.layers.Conv2D(1, 4, strides=1,
                                kernel_initializer=initializer)(zero_pad2) # (bs, 30, 30, 1)

  return tf.keras.Model(inputs=[inp, tar], outputs=last)
discriminator = Discriminator()
tf.keras.utils.plot_model(discriminator, show_shapes=True, dpi=64)

png

disc_out = discriminator([inp[tf.newaxis,...], gen_output], training=False)
plt.imshow(disc_out[0,...,-1], vmin=-20, vmax=20, cmap='RdBu_r')
plt.colorbar()
<matplotlib.colorbar.Colorbar at 0x7f54c83a3fd0>

png

弁別器の損失

  • 弁別器損失関数は2つの入力を取ります。 実際の画像、生成された画像
  • real_lossは、 実画像のシグモイドクロスエントロピー損失と1の配列です(これらは実画像であるため)。
  • generated_lossは、 生成された画像およびゼロの配列のシグモイドクロスエントロピー損失です(これらは偽の画像であるため)
  • 次に、total_lossはreal_lossとgenerated_lossの合計です
loss_object = tf.keras.losses.BinaryCrossentropy(from_logits=True)
def discriminator_loss(disc_real_output, disc_generated_output):
  real_loss = loss_object(tf.ones_like(disc_real_output), disc_real_output)

  generated_loss = loss_object(tf.zeros_like(disc_generated_output), disc_generated_output)

  total_disc_loss = real_loss + generated_loss

  return total_disc_loss

弁別器の訓練手順を以下に示します。

アーキテクチャとハイパーパラメータの詳細については、このペーパーを参照してください。

弁別器更新イメージ

オプティマイザとチェックポイントセーバーを定義する

generator_optimizer = tf.keras.optimizers.Adam(2e-4, beta_1=0.5)
discriminator_optimizer = tf.keras.optimizers.Adam(2e-4, beta_1=0.5)
checkpoint_dir = './training_checkpoints'
checkpoint_prefix = os.path.join(checkpoint_dir, "ckpt")
checkpoint = tf.train.Checkpoint(generator_optimizer=generator_optimizer,
                                 discriminator_optimizer=discriminator_optimizer,
                                 generator=generator,
                                 discriminator=discriminator)

画像を生成

トレーニング中に画像をプロットする関数を記述します。

  • テストデータセットからジェネレータに画像を渡します。
  • ジェネレータは、入力画像を出力に変換します。
  • 最後のステップは、予測と出来上がりをプロットすることです!
def generate_images(model, test_input, tar):
  prediction = model(test_input, training=True)
  plt.figure(figsize=(15,15))

  display_list = [test_input[0], tar[0], prediction[0]]
  title = ['Input Image', 'Ground Truth', 'Predicted Image']

  for i in range(3):
    plt.subplot(1, 3, i+1)
    plt.title(title[i])
    # getting the pixel values between [0, 1] to plot it.
    plt.imshow(display_list[i] * 0.5 + 0.5)
    plt.axis('off')
  plt.show()
for example_input, example_target in test_dataset.take(1):
  generate_images(generator, example_input, example_target)

png

トレーニング

  • 入力例ごとに出力を生成します。
  • 弁別器は、input_imageと生成された画像を最初の入力として受け取ります。 2番目の入力はinput_imageとtarget_imageです。
  • 次に、発生器と弁別器の損失を計算します。
  • 次に、ジェネレーター変数と弁別子変数(入力)の両方に関して損失の勾配を計算し、それらをオプティマイザーに適用します。
  • 次に、損失をTensorBoardに記録します。
EPOCHS = 150
import datetime
log_dir="logs/"

summary_writer = tf.summary.create_file_writer(
  log_dir + "fit/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S"))
@tf.function
def train_step(input_image, target, epoch):
  with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tape:
    gen_output = generator(input_image, training=True)

    disc_real_output = discriminator([input_image, target], training=True)
    disc_generated_output = discriminator([input_image, gen_output], training=True)

    gen_total_loss, gen_gan_loss, gen_l1_loss = generator_loss(disc_generated_output, gen_output, target)
    disc_loss = discriminator_loss(disc_real_output, disc_generated_output)

  generator_gradients = gen_tape.gradient(gen_total_loss,
                                          generator.trainable_variables)
  discriminator_gradients = disc_tape.gradient(disc_loss,
                                               discriminator.trainable_variables)

  generator_optimizer.apply_gradients(zip(generator_gradients,
                                          generator.trainable_variables))
  discriminator_optimizer.apply_gradients(zip(discriminator_gradients,
                                              discriminator.trainable_variables))

  with summary_writer.as_default():
    tf.summary.scalar('gen_total_loss', gen_total_loss, step=epoch)
    tf.summary.scalar('gen_gan_loss', gen_gan_loss, step=epoch)
    tf.summary.scalar('gen_l1_loss', gen_l1_loss, step=epoch)
    tf.summary.scalar('disc_loss', disc_loss, step=epoch)

実際のトレーニングループ:

  • エポックの数を反復します。
  • 各エポックで表示をクリアし、 generate_imagesを実行generate_imagesて進行状況を表示します。
  • 各エポックでトレーニングデータセットを反復処理し、「。」を出力します。各例について。
  • 20エポックごとにチェックポイントを保存します。
def fit(train_ds, epochs, test_ds):
  for epoch in range(epochs):
    start = time.time()

    display.clear_output(wait=True)

    for example_input, example_target in test_ds.take(1):
      generate_images(generator, example_input, example_target)
    print("Epoch: ", epoch)

    # Train
    for n, (input_image, target) in train_ds.enumerate():
      print('.', end='')
      if (n+1) % 100 == 0:
        print()
      train_step(input_image, target, epoch)
    print()

    # saving (checkpoint) the model every 20 epochs
    if (epoch + 1) % 20 == 0:
      checkpoint.save(file_prefix = checkpoint_prefix)

    print ('Time taken for epoch {} is {} sec\n'.format(epoch + 1,
                                                        time.time()-start))
  checkpoint.save(file_prefix = checkpoint_prefix)

このトレーニングループは、TensorBoardで簡単に表示できるログを保存して、トレーニングの進行状況を監視します。ローカルで作業する場合は、別個のテンソルボードプロセスを起動します。ノートブックでTensorBoardを使用して監視する場合は、トレーニングを開始する前にビューアを起動するのが最も簡単です。

ビューアを起動するには、以下をコードセルに貼り付けます。

%load_ext tensorboard
%tensorboard --logdir {log_dir}

次に、トレーニングループを実行します。

fit(train_dataset, EPOCHS, test_dataset)

png

Epoch:  149
....................................................................................................
....................................................................................................
....................................................................................................
....................................................................................................

Time taken for epoch 150 is 16.14578342437744 sec


TensorBoardの結果を公開したい場合は、以下をコードセルにコピーしてログをTensorBoard.devにアップロードできます。

tensorboard dev upload --logdir  {log_dir}

このノートブックの前回の実行結果は TensorBoard.devで確認できます。

TensorBoard.devは、ML実験のホスティング、追跡、共有をすべての人と行うためのマネージドエクスペリエンスです。

<iframe>を使用してインラインで含めることもでき<iframe>

display.IFrame(
    src="https://tensorboard.dev/experiment/lZ0C6FONROaUMfjYkVyJqw",
    width="100%",
    height="1000px")

GANからのログの解釈は、単純な分類または回帰モデルよりも微妙です。探すべきこと::

  • どちらのモデルにも「ウォン」がないことを確認します。いずれかの場合gen_gan_lossまたはdisc_loss非常に少なくなったことが、このモデルは他を支配している、とあなたは成功した結合モデルを訓練されていないことを示すインジケータです。
  • log(2) = 0.69は、2の複雑さを示しているため、これらの損失の適切な参照ポイントです。つまり、弁別子は、平均して2つのオプションについて等しく不確かです。
  • disc_lossの場合、 0.69 disc_lossの値は、実際の+生成された画像の組み合わせセットで、 disc_lossがランダムよりも優れていることを意味します。
  • gen_gan_lossの場合、 0.69 gen_gan_lossの値は、ジェネレーターがディスクリミネーターのフォーミングでランダムよりも優れていることを意味します。
  • トレーニングが進むにつれて、 gen_l1_lossgen_l1_lossはずです。

最新のチェックポイントを復元してテストする

ls {checkpoint_dir}
checkpoint          ckpt-5.data-00000-of-00001
ckpt-1.data-00000-of-00001  ckpt-5.index
ckpt-1.index            ckpt-6.data-00000-of-00001
ckpt-2.data-00000-of-00001  ckpt-6.index
ckpt-2.index            ckpt-7.data-00000-of-00001
ckpt-3.data-00000-of-00001  ckpt-7.index
ckpt-3.index            ckpt-8.data-00000-of-00001
ckpt-4.data-00000-of-00001  ckpt-8.index
ckpt-4.index

# restoring the latest checkpoint in checkpoint_dir
checkpoint.restore(tf.train.latest_checkpoint(checkpoint_dir))
<tensorflow.python.training.tracking.util.CheckpointLoadStatus at 0x7f4fce701160>

テストデータセットを使用して生成

# Run the trained model on a few examples from the test dataset
for inp, tar in test_dataset.take(5):
  generate_images(generator, inp, tar)

png

png

png

png

png