本文已使用 Google Cloud Translation API 自动翻译。
某些文档最好以原文阅读。
深度卷积生成对抗网络 (DC-GAN) 是一种生成对抗网络 (GAN)，用于从训练数据集生成新图像。
GAN 是一种神经网络，由两部分组成：生成器和鉴别器。生成器创建与训练数据相似的新图像，而鉴别器则试图区分真实的训练图像和生成器生成的假图像。
DC-GAN 是一种 GAN，它对生成器和鉴别器都使用深度卷积神经网络。
在本教程中，我们将使用 TensorFlow.js 和 Node.js 构建 DC-GAN。我们将使用 MNIST 数据集，这是一个手写数字数据集。
首先，我们需要安装 TensorFlow.js 和 Node.js。我们可以使用以下命令执行此操作：
npm install -g @tensorflow/tfjs-node
接下来，我们需要下载 MNIST 数据集。我们可以使用以下命令执行此操作：
wget http://yann.lecun.com/exdb/mnist/train-images-idx3-ubyte.gz
wget http://yann.lecun.com/exdb/mnist/train-labels-idx1-ubyte.gz
wget http://yann.lecun.com/exdb/mnist/t10k-images-idx3-ubyte.gz
wget http://yann.lecun.com/exdb/mnist/t10k-labels-idx1-ubyte.gz
我们还需要解压缩下载的文件。我们可以使用以下命令执行此操作：
gunzip *
现在我们有了 MNIST 数据集，我们需要对其进行预处理，以便它可以被 DC-GAN 使用。
首先，我们需要将 MNIST 数据集中的图像转换为 DC-GAN 可以使用的格式。我们可以使用以下命令执行此操作：
tensorflowjs_converter --input_format=tfjs-layers-model --output_format=tfjs-layers-model --output_node_names='input,output' ./mnist_model.h5 ./tfjs_model
此命令会将 MNIST 数据集转换为 DC-GAN 可以使用的格式。
接下来，我们需要将 MNIST 数据集拆分为训练集和测试集。我们可以使用以下命令执行此操作：
tensorflowjs_converter --input_format=tfjs-layers-model --output_format=tfjs-layers-model --output_node_names='input,output' --train_test_split=0.8 ./mnist_model.h5 ./tfjs_model
此命令会将 MNIST 数据集拆分为训练集和测试集。训练集将用于训练 DC-GAN，而测试集将用于评估 DC-GAN。
现在我们有了 MNIST 数据集，我们可以开始构建 DC-GAN。
首先，我们需要创建生成器网络。生成器网络将噪声向量作为输入，并生成类似于 MNIST 数据集的图像。
我们可以使用以下代码创建生成器网络：
const generator = tf.sequential();
generator.add(tf.layers.dense({inputShape: [100], units: 7*7*256}));
generator.add(tf.layers.batchNormalization());
generator.add(tf.layers.leakyReLU());
generator.add(tf.layers.reshape({targetShape: [7, 7, 256]}));
generator.add(tf.layers.conv2dTranspose({
kernelSize: 5,
filters: 128,
strides: 2,
padding: 'same',
useBias: false
}));
generator.add(tf.layers.batchNormalization());
generator.add(tf.layers.leakyReLU());
generator.add(tf.layers.conv2dTranspose({
kernelSize: 5,
filters: 64,
strides: 2,
padding: 'same',
useBias: false
}));
generator.add(tf.layers.batchNormalization());
generator.add(tf.layers.leakyReLU());
generator.add(tf.layers.conv2dTranspose({
kernelSize: 5,
filters: 1,
strides: 2,
padding: 'same',
useBias: false,
activation: 'tanh'
}));
生成器网络将噪声向量作为输入并生成类似于 MNIST 数据集的图像。
接下来，我们需要创建鉴别器网络。鉴别器网络将图像作为输入，并输出一个值来指示图像是真实的还是假的。
我们可以使用以下代码创建鉴别器网络：
const discriminator = tf.sequential();
discriminator.add(tf.layers.conv2d({
kernelSize: 5,
filters: 64,
strides: 2,
padding: 'same',
inputShape: [28, 28, 1]
}));
discriminator.add(tf.layers.leakyReLU());
discriminator.add(tf.layers.dropout({rate: 0.3}));
discriminator.add(tf.layers.conv2d({
kernelSize: 5,
filters: 128,
strides: 2,
padding: 'same'
}));
discriminator.add(tf.layers.leakyReLU());
discriminator.add(tf.layers.dropout({rate: 0.3}));
discriminator.add(tf.layers.flatten());
discriminator.add(tf.layers.dense({units: 1, activation: 'sigmoid'}));
鉴别器网络将图像作为输入并输出一个值，该值指示图像是真实的还是假的。
现在我们有了生成器和鉴别器网络，我们可以开始训练 DC-GAN。
首先，我们需要定义损失函数。损失函数用于衡量 DC-GAN 的表现。
我们可以使用以下代码定义损失函数：
function dLoss(yTrue, yPred) {
return tf.losses.sigmoidCrossEntropy(yTrue, yPred);
}
function gLoss(yTrue, yPred) {
return tf.losses.sigmoidCrossEntropy(yTrue, yPred);
}
损失函数用于衡量 DC-GAN 的表现。
接下来，我们需要定义优化器。优化器用于更新生成器和鉴别器网络的权重。
我们可以使用以下代码定义优化器：
const dOptimizer = tf.train.RMSPropOptimizer(0.0003);
const gOptimizer = tf.train.RMSPropOptimizer(0.0001);
优化器用于更新生成器和鉴别器网络的权重。
现在，我们可以开始训练 DC-GAN。我们将训练 DC-GAN 100 个时期。
我们可以使用以下代码训练 DC-GAN：
async function train() {
for (let i = 0; i < 100; i++) {
// Train the discriminator
let dLosses = [];
for (let j = 0; j < 10; j++) {
const noise = tf.randomNormal([BATCH_SIZE, 100]);
const generatedImages = generator.predict(noise);
const realImages = tf.data.Dataset.fromTensorSlices(images).batch(BATCH_SIZE).take(BATCH_SIZE).toArray();
const dRealLabels = tf.ones([BATCH_SIZE, 1]);
const dFakeLabels = tf.zeros([BATCH_SIZE, 1]);
const dLossReal = dLoss(dRealLabels, discriminator.predict(realImages));
const dLossFake = dLoss(dFakeLabels, discriminator.predict(generatedImages));
const dLoss = dLossReal + dLossFake;
dLosses.push(dLoss);
dOptimizer.minimize(dLoss);
}
const dAvgLoss = tf.mean(dLosses);
// Train the generator
const noise = tf.randomNormal([BATCH_SIZE, 100]);
const gLabels = tf.ones([BATCH_SIZE, 1]);
const gLoss = gLoss(gLabels, discriminator.predict(generator.predict(noise)));
gOptimizer.minimize(gLoss);
// Log the losses
if (i % 10 === 0) {
console.log(`Epoch: ${i}`);
console.log(`dLoss: ${dLoss.dataSync()[0]}`);
console.log(`gLoss: ${gLoss.dataSync()[0]}`);
}
}
}
train();
此代码将训练 DC-GAN 100 个时期。
现在 DC-GAN 已经训练完毕，我们可以用它来生成新图像。
首先，我们需要生成一个噪声向量。我们可以使用以下代码来做到这一点：
const noise = tf.randomNormal([1, 100]);
接下来，我们需要使用生成器网络从噪声向量生成新图像。我们可以使用以下代码来做到这一点：
const generatedImage = generator.predict(noise);
最后，我们可以使用以下代码可视化生成的图像：
const imageTensor = generatedImage.reshape([28, 28]);
const imageData = imageTensor.dataSync();
const canvas = document.createElement('canvas');
canvas.width = 28;
canvas.height = 28;
const ctx = canvas.getContext('2d');
const imageDataArray = Array.from(imageData);
imageDataArray.forEach((value, index) => {
const i = Math.floor(index / 28);
const j = index % 28;
ctx.fillStyle = `rgb(${value}, ${value}, ${value})`;
ctx.fillRect(j, i, 1, 1);
});
document.body.appendChild(canvas);
此代码将从噪声向量生成新图像。
在本教程中，我们了解了如何在 TensorFlow.js 和 Node.js 中构建 DC-GAN。我们还看到了如何使用 DC-GAN 生成新图像。