Нейросети. Генерация изображений

zeros_like(fake_output), fake_output)

total_loss = real_loss + fake_loss

return total_loss

def generator_loss(fake_output):

return cross_entropy(tf.ones_like(fake_output), fake_output)

generator_optimizer = tf.keras.optimizers.Adam(learning_rate=0.0002, beta_1=0.5)

discriminator_optimizer = tf.keras.optimizers.Adam(learning_rate=0.0002, beta_1=0.5)

# Создание генератора и дискриминатора

generator = build_generator()

discriminator = build_discriminator()

# Функция обучения GAN

def train_gan():

for epoch in range(epochs):

# Генерация случайных векторов из латентного пространства

noise = np.

random.normal(0, 1, size=[batch_size, random_dim])

# Генерация сгенерированных изображений генератором

generated_images = generator(noise)

# Получение случайных реальных изображений из обучающего набора

image_batch = train_images[np.random.randint(0, train_images.shape[0], size=batch_size)]

# Сборка батча из реальных и сгенерированных изображений

X = np.

concatenate([image_batch, generated_images])

# Создание векторов меток для реальных и сгенерированных изображений

y_dis = np.zeros(2 * batch_size)

y_dis[:batch_size] = 0.9 # односторонний мягкий ярлык для гладкости

# Обучение дискриминатора на батче

discriminator.trainable = True

d_loss = discriminator.train_on_batch(X, y_dis)

# Обучение генератора

noise = np.random.normal(0, 1, size=[batch_size, random_dim])

y_gen = np.ones(batch_size)

discriminator.trainable = False

g_loss = gan.

train_on_batch(noise, y_gen)

if epoch % 100 == 0:

print(f"Epoch: {epoch}, Discriminator Loss: {d_loss}, Generator Loss: {g_loss}")

# Обучение GAN

gan = tf.keras.Sequential([generator, discriminator])

gan.compile(loss='binary_crossentropy', optimizer=generator_optimizer)

train_gan()

```

Код представляет собой простую реализацию генеративной сети (GAN) для генерации реалистичных изображений с использованием библиотек TensorFlow и Keras в Python.

Давайте подробно опишем каждую часть кода:

1. Загрузка данных MNIST:

– Загружается набор данных MNIST с рукописными цифрами с помощью функции `tf.keras.datasets.mnist.load_data()`.

– Обучающие изображения сохраняются в переменной `train_images`, а метки классов (которые в данном случае не используются) – в переменной `_`.

– Изображения преобразуются в одномерный формат и нормализуются в диапазоне [-1, 1], чтобы облегчить обучение модели.

2.