GAN's evalueren

Deep Learning voor afbeeldingen met PyTorch

Michal Oleszak

Machine Learning Engineer

Afbeeldingen genereren

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()

Maak willekeurige ruis-tensor
Geef ruis aan de generator
Itereer over het aantal afbeeldingen
Slice fake om de i-de afbeelding te pakken
Herschik de afbeeldingsdimensies
Plot de afbeelding

GAN-generaties

Voorbeeld van door een GAN gegenereerde Pokémon-afbeeldingen.

Fréchet Inception Distance

Inception: model voor beeldclassificatie
Fréchet-afstand: afstand tussen twee kansverdelingen
Fréchet Inception Distance:
1. Gebruik Inception om features uit echte en nepafbeeldingen te halen
2. Bereken gemiddelden en covarianties van de features voor echt en nep
3. Bereken de Fréchet-afstand tussen de echte en neppe normale verdelingen
Lage FID = fakes lijken op trainingsdata en zijn divers
FID < 10 = goed

FID in PyTorch

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)

Importeer FrechetInceptionDistance
Maak de FID-metric aan
Update de metric met nepafbeeldingen:
- Vermenigvuldig met 255
- Converteer naar torch.uint8
Update de metric op dezelfde manier met echte afbeeldingen
Bereken de metricwaarde

Laten we oefenen!

Deep Learning voor afbeeldingen met PyTorch