资源简介
利用GAN原始模型,生成手写数字,包含数据集和代码,直接可以用。
代码片段和文件信息
import tensorflow as tf
import numpy as np
from GAN.TWO import util
import os
from tensorflow.examples.tutorials.mnist import input_data
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
#读入数据
mnist=input_data.read_data_sets(‘./data‘one_hot=True)
# print(mnist)
Z=tf.placeholder(tf.float32shape=[None100])
X=tf.placeholder(tf.float32shape=[None784])
#喂入数据
G_sample=util.generator(Z)
D_realD_logit_real=util.discriminator(X)
D_fakeD_logit_fake=util.discriminator(G_sample)
#计算loss
D_real_loss=tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=D_logit_real
labels=tf.ones_like(D_logit_real)))
D_fake_loss=tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=D_logit_fake
labels=tf.zeros_like(D_logit_fake)))
D_loss=D_fake_loss+D_real_loss
G_loss=tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=D_logit_fake
labels=tf.ones_like(D_logit_fake)))
D_optimizer=tf.train.AdamOptimizer().minimize(D_lossvar_list=util.theta_D)
G_optimizer=tf.train.AdamOptimizer().minimize(G_lossvar_list=util.theta_G)
if not os.path.exists(‘out/‘):
os.makedirs(‘out/‘)
“““
画图
“““
def plot(samples):
gs=gridspec.GridSpec(44)
gs.update(wspace=0.05hspace=.05)
for isample in enumerate(samples):
ax = plt.subplot(gs[i])
plt.axis(‘off‘)
ax.set_xticklabels([])
ax.set_yticklabels([])
ax.set_aspect(‘equal‘)
plt.imshow(sample.reshape(2828)cmap=‘Greys_r‘)
print(“=====================开始训练============================“)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for it in range(10000):
X_mb_=mnist.train.next_batch(batch_size=128)
# print(X_mb)
_D_loss_curr=sess.run([D_optimizerD_loss]
feed_dict={X:X_mbZ:util.sample_z(128100)})
_ G_loss_curr = sess.run([G_optimizer G_loss]
feed_dict={Z: util.sample_z(128 100)})
if it%1000==0:
print(‘====================打印出生成的数据============================‘)
samples=sess.run(G_samplefeed_dict={Z: util.sample_z(16 100)})
plot(samples)
plt.show()
if it%1000==0:
print(‘iter={}‘.format(it))
print(‘D_loss={}‘.format(D_loss_curr))
print(‘G_loss={}‘.format(G_loss_curr))
属性 大小 日期 时间 名称
----------- --------- ---------- ----- ----
目录 0 2018-07-29 05:06 TWO\
文件 1218 2018-07-28 16:03 TWO\util.py
文件 3591 2018-07-28 15:38 TWO\test.py
文件 2526 2018-07-29 05:06 TWO\main.py
目录 0 2018-07-28 15:44 TWO\out\
文件 18932 2018-07-28 15:44 TWO\out\001.png
文件 31842 2018-07-28 15:47 TWO\out\000.png
目录 0 2018-07-28 16:04 TWO\__pycache__\
文件 1534 2018-07-28 16:04 TWO\__pycache__\util.cpython-35.pyc
目录 0 2018-07-28 15:15 TWO\data\
文件 4542 2018-07-28 15:15 TWO\data\t10k-labels-idx1-ubyte.gz
文件 1648877 2018-07-28 15:15 TWO\data\t10k-images-idx3-ubyte.gz
文件 28881 2018-07-28 15:15 TWO\data\train-labels-idx1-ubyte.gz
文件 9912422 2018-07-28 15:15 TWO\data\train-images-idx3-ubyte.gz
文件 60008 2018-07-28 15:06 TWO\data\train-labels-idx1-ubyte
文件 47040016 2018-07-28 15:09 TWO\data\train-images-idx3-ubyte
文件 10008 2018-07-28 15:09 TWO\data\t10k-labels-idx1-ubyte
文件 7840016 2018-07-28 15:12 TWO\data\t10k-images-idx3-ubyte
相关资源
- David_A._Patterson_John_L._Hennessy_Computer_O
- ComputerOrganizationandDesign5th.pdf
- ChargePumpCircuitDesign[PanFengandSamaddarTapa
- 解压后的MNIST数据集
- 神经网络设计Martin T.Hagan.pdf
- 启示录-打造用户喜爱的产品 MARTY CA
- 李宏毅GAN对抗生成网络2018最新ppt全套
- GAN图像转换学术分享ppt
- 手写数字识别MNIST数据集及卷积神经网
- lmdb格式的minist数据集
- 手写数字识别器GUI.zip
- R语言 svm 手写数字识别
- 基于opencv的手写数字字符识别
- MNIST手写数字识别库及图片提取代码
- Web安全之强化学习与GAN.pdf
- 手写数字识别PCA算法
- mnist手写数字识别
- 李宏毅GAN对抗生成网络2018最新ppt包括
- 有关场景重构2017、2018CVPR ICCV等论文及
- [神经网络设计].(美国)Hagan.清晰版
- DCGAN-pytorch实现 带数据集和说明文件
- MNIST_data手写数字训练和测试集
- GanJingYunV2.zip
- ModelingandSimulationofAerospaceVehicleDynamic
- minist手写数字数据集(原始图片)
- 高频开关变换器的数字控制Luca Corra
- __EstimationwithApplicationstoTrackingandNavig
- wanggangqi-wuyeguanlixitong-master.zip
- GAN 使用生成对抗网络的逼真的单图像
- Web安全之强化学习与GAN
评论
共有 条评论