Hodnocení GAN

Deep Learning pro obrázky s PyTorchem

Michal Oleszak

Machine Learning Engineer

Generování obrázků

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()

Vytvoření náhodného šumového tenzoru
Předání šumu generátoru
Iterace přes počet obrázků
Výběr i-tého obrázku z fake
Přeuspořádání dimenzí obrázku
Vykreslení obrázku

Výstupy GAN

Ukázka obrázků Pokémonů vygenerovaných sítí GAN.

Fréchet Inception Distance

Inception: model klasifikace obrázků
Fréchetova vzdálenost: míra vzdálenosti mezi dvěma pravděpodobnostními rozděleními
Fréchet Inception Distance:
1. Pomocí Inception extrahujte příznaky z reálných i falešných obrázků
2. Vypočítejte střední hodnoty a kovariance příznaků pro reálné a falešné obrázky
3. Vypočítejte Fréchetovu vzdálenost mezi reálným a falešným normálním rozdělením
Nízké FID = falešné obrázky podobné trénovacím datům a rozmanité
FID < 10 = dobré

FID v 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)

Import FrechetInceptionDistance
Vytvoření instance metriky FID
Aktualizace metriky falešnými obrázky:
- Násobení hodnotou 255
- Převod na torch.uint8
Obdobně aktualizace metriky reálnými obrázky
Výpočet hodnoty metriky

Pojďme procvičovat!

Deep Learning pro obrázky s PyTorchem