Оцінювання GAN

Глибоке навчання для зображень із PyTorch

Michal Oleszak

Machine Learning Engineer

Генерування зображень

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()

Створіть тензор випадкового шуму
Передайте шум у генератор
Ітеруйте за кількістю зображень
Виріжте з fake i-те зображення
Перевпорядкуйте розміри зображення
Побудуйте зображення

Генерації GAN

Зразок зображень Pokemon, згенерованих GAN.

Fréchet Inception Distance

Inception: модель класифікації зображень
Відстань Фреше: міра відстані між двома розподілами ймовірності
Fréchet Inception Distance:
1. Використайте Inception, щоб виділити ознаки з вибірок реальних і штучних зображень
2. Обчисліть середні та коваріації ознак для реальних і штучних зображень
3. Обчисліть відстань Фреше між реальним і штучним нормальними розподілами
Низький FID = фейки подібні до тренувальних даних і різноманітні
FID < 10 = добре

FID у 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)

Імпортуйте FrechetInceptionDistance
Створіть екземпляр метрики FID
Оновіть метрику штучними зображеннями:
- Помножте на 255
- Перетворіть на torch.uint8
Аналогічно, оновіть метрику реальними зображеннями
Обчисліть значення метрики

Давайте потренуємось!

Глибоке навчання для зображень із PyTorch