Mengevaluasi GAN

Deep Learning untuk Gambar dengan PyTorch

Michal Oleszak

Machine Learning Engineer

Menghasilkan gambar

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()

Buat tensor noise acak
Umpankan noise ke generator
Iterasi sesuai jumlah gambar
Slice fake untuk memilih gambar ke-i
Ubah urutan dimensi gambar
Plot gambar

Hasil GAN

Contoh gambar Pokemon yang dihasilkan GAN.

Fréchet Inception Distance

Inception: model klasifikasi gambar
Jarak Fréchet: ukuran jarak antar dua sebaran peluang
Fréchet Inception Distance:
1. Gunakan Inception untuk mengekstrak fitur dari sampel gambar real dan palsu
2. Hitung mean dan kovarians fitur untuk gambar real dan palsu
3. Hitung jarak Fréchet antara sebaran normal real dan palsu
FID rendah = palsu mirip data latih dan beragam
FID < 10 = baik

FID di 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)

Impor FrechetInceptionDistance
Instansiasi metrik FID
Perbarui metrik dengan gambar palsu:
- Kalikan 255
- Ubah ke torch.uint8
Perbarui juga dengan gambar real
Hitung nilai metrik

Ayo berlatih!

Deep Learning untuk Gambar dengan PyTorch