Pengantar GAN

Deep Learning untuk Gambar dengan PyTorch

Michal Oleszak

Machine Learning Engineer

Generative Adversarial Networks

Gambar kucing hasil generasi.

https://thesecatsdonotexist.com
Generative Adversarial Networks (GAN)
Menghasilkan sampel baru dari data latih

Dataset Pokemon Sprites

Contoh gambar dari dataset Pokemon Sprites

Dataset Pokemon Sprites dari PokeAPI
Sekitar 1300 sprite makhluk mirip hewan dari gim Pokemon
Tujuan: menghasilkan Pokemon baru!

Arsitektur GAN

Diagram alur GAN.

Arsitektur GAN

Diagram alur GAN.

Arsitektur GAN

Diagram alur GAN.

Arsitektur GAN

Diagram alur GAN.

Proses belajar GAN

Diagram alur GAN.

Generator: belajar menghasilkan gambar yang realistis
Discriminator: belajar membedakan gambar palsu dari asli
Tujuan yang saling berlawanan membuat keduanya makin mahir
Akhirnya, generator seharusnya membuat gambar realistis

Generator dasar

class Generator(nn.Module):
    def __init__(self, in_dim, out_dim):
        super(Generator, self).__init__()

        self.generator = nn.Sequential(
            gen_block(in_dim, 256),
            gen_block(256, 512),
            gen_block(512, 1024),
            nn.Linear(1024, out_dim),
            nn.Sigmoid(),
        )


    def forward(self, x):
        return self.generator(x)

Definisikan kelas Generator

Rangkaian blok generator, layer linear, dan aktivasi sigmoid

def gen_block(in_dim, out_dim):
  return nn.Sequential(
      nn.Linear(in_dim, out_dim),
      nn.BatchNorm1d(out_dim),
      nn.ReLU(inplace=True)
  )

Lewatkan input melalui semua layer
Input: noise ukuran in_dim
Output: gambar ukuran out_dim

Discriminator dasar

class Discriminator(nn.Module):
    def __init__(self, im_dim):
        super(Discriminator, self).__init__()

        self.disc = nn.Sequential(
            disc_block(im_dim, 1024),
            disc_block(1024, 512),
            disc_block(512, 256),
            nn.Linear(256, 1),
        )


    def forward(self, x):
        return self.disc(x)

Definisikan kelas Discriminator

Rangkaian blok discriminator dan satu layer linear

def disc_block(in_dim, out_dim):
  return nn.Sequential(
      nn.Linear(in_dim, out_dim),
      nn.LeakyReLU(0.2)
  )

Lewatkan input melalui semua layer
Input: gambar ukuran in_dim
Output: klasifikasi ukuran 1

Ayo berlatih!

Deep Learning untuk Gambar dengan PyTorch