GAN'leri değerlendirme

PyTorch ile Görüntüler için Deep Learning

Michal Oleszak

Machine Learning Engineer

Görüntü üretme

num_images_to_generate = 9
noise = torch.randn(num_images_to_generate, 16)

with torch.no_grad():
    fake = gen(noise)

print(f"Generated shape: {fake.shape}")

Generated shape: torch.Size([9, 3, 96, 96])

for i in range(num_images_to_generate):

    image_tensor = fake[i, :, :, :]

    image_permuted = image_tensor.permute(1, 2, 0)

    plt.imshow(image_permuted)
    plt.show()

Rastgele gürültü tensörü oluşturun
Gürültüyü üreticiye verin
Görüntü sayısı kadar yineleyin
i'inci görüntüyü seçmek için fake'i dilimleyin
Görüntü boyutlarını yeniden düzenleyin
Görüntüyü çizin

GAN üretimleri

Bir GAN tarafından üretilen Pokémon görselleri örneği.

Fréchet Inception Distance

Inception: Görüntü sınıflandırma modeli
Fréchet uzaklığı: İki olasılık dağılımı arasındaki uzaklık ölçüsü
Fréchet Inception Distance:
1. Gerçek ve sahte görüntülerden özellik çıkarmak için Inception'ı kullanın
2. Gerçek ve sahte için özelliklerin ortalama ve kovaryanslarını hesaplayın
3. Gerçek ve sahte normal dağılımlar arasındaki Fréchet uzaklığını hesaplayın
Düşük FID = sahte veriler eğitime benzer ve çeşitlidir
FID < 10 = iyi

PyTorch'ta FID

from torchmetrics.image.fid import \
FrechetInceptionDistance


fid = FrechetInceptionDistance(feature=64)


fid.update(
  (fake * 255).to(torch.uint8), real=False)

fid.update(
  (real * 255).to(torch.uint8), real=True)


fid.compute()

tensor(7.5159)

FrechetInceptionDistance'ı içe aktarın
FID metriğini oluşturun
Metriği sahte görüntülerle güncelleyin:
- 255 ile çarpın
- torch.uint8'e dönüştürün
Benzer şekilde, gerçek görüntülerle güncelleyin
Metriği hesaplayın

Hadi pratik yapalım!

PyTorch ile Görüntüler için Deep Learning