DigitGenerator GAN

DigitGenerator-GAN

Introducción

Este repositorio contiene código para crear un proyecto de Red Generativa Adversaria (GAN) diseñado para generar dígitos escritos a mano falsos y realistas, entrenados en el conjunto de datos MNIST. El conjunto de datos MNIST es una colección bien conocida de 70.000 imágenes de dígitos escritos a mano, comúnmente utilizada para entrenar varias imágenes. sistemas de procesamiento. Aprovechando el poder de las GAN, este proyecto tiene como objetivo crear dígitos escritos a mano sintéticos de alta calidad que se parezcan mucho a los que se encuentran en el conjunto de datos MNIST.

Características clave

• Arquitectura de red generativa adversaria: utiliza un marco GAN que comprende un generador y un discriminador, donde el generador crea imágenes de dígitos falsos y el discriminador evalúa su autenticidad.
• Conjunto de datos MNIST: capacitado en el conjunto de datos MNIST para garantizar que los dígitos generados sean representativos de una amplia variedad de estilos de escritura a mano.
• Dígitos sintéticos de alta calidad: produce imágenes realistas y de alta calidad de dígitos escritos a mano que se pueden utilizar para diversas aplicaciones, incluido el aumento de datos, la investigación de reconocimiento de dígitos y fines artísticos.
• Entrenamiento y Evaluación: Incluye scripts para entrenar la GAN, monitorear su desempeño y evaluar la calidad de las imágenes generadas.

Objetivos

• Generar dígitos escritos a mano realistas: desarrollar un modelo capaz de producir dígitos escritos a mano de alta fidelidad que sean indistinguibles de los reales.
• Mejore el aumento de datos: proporcione datos sintéticos adicionales para entrenar otros modelos de aprendizaje automático, mejorando su solidez y precisión.
• Explore las capacidades de GAN: investigue el potencial de las GAN para generar imágenes de alta calidad y contribuir a los avances en el campo de los modelos generativos.

Uso

Ejecutando el cuaderno Colab

Para ejecutar el portátil Colab de manera eficiente, se recomienda utilizar una GPU. Siga estos pasos:

1. Abra el cuaderno en Google Colab.
2. Vaya a Runtime > Change runtime type .
3. En Hardware accelerator , seleccione GPU y haga clic en Save .
4. Haga clic en Connect en la esquina superior derecha y seleccione Connect to hosted runtime .
5. Ejecute cada celda del cuaderno de forma secuencial.

Dependencias

• TensorFlow
• TensorFlow GAN
• Conjuntos de datos de TensorFlow
• Matplotlib
• NumPy

Entrenando la GAN

1. Ejecute las celdas del cuaderno para configurar la canalización de entrada, construir las redes generadora y discriminadora y entrenar la GAN.
2. Monitorear el progreso del entrenamiento y evaluar las imágenes generadas.

Nota

• Este repositorio proporciona una implementación simplificada de una GAN con fines educativos.
• Es posible que se requieran ajustes y optimizaciones para aplicaciones del mundo real.

Contribuyendo

¡Las contribuciones son bienvenidas! Bifurque el repositorio y envíe solicitudes de extracción para realizar mejoras o corregir errores.

Licencia

Este proyecto está bajo la licencia MIT.