DigitGenerator-GAN
Introduction
Ce référentiel contient du code pour créer un projet Generative Adversarial Network (GAN) conçu pour générer de faux chiffres manuscrits réalistes, formés sur l'ensemble de données MNIST. L'ensemble de données MNIST est une collection bien connue de 70 000 images de chiffres manuscrits, couramment utilisées pour la formation de diverses images. systèmes de traitement. En tirant parti de la puissance des GAN, ce projet vise à créer des chiffres manuscrits synthétiques de haute qualité qui ressemblent beaucoup à ceux trouvés dans l'ensemble de données MNIST.
Principales fonctionnalités
- Architecture de réseau contradictoire générative : utilise un cadre GAN comprenant un générateur et un discriminateur, où le générateur crée de fausses images numériques et le discriminateur évalue leur authenticité.
- Ensemble de données MNIST : formé sur l'ensemble de données MNIST pour garantir que les chiffres générés sont représentatifs d'une grande variété de styles d'écriture manuscrite.
- Chiffres synthétiques de haute qualité : produit des images réalistes et de haute qualité de chiffres manuscrits qui peuvent être utilisées pour diverses applications, notamment l'augmentation des données, la recherche sur la reconnaissance des chiffres et à des fins artistiques.
- Formation et évaluation : comprend des scripts pour former le GAN, surveiller ses performances et évaluer la qualité des images générées.
Objectifs
- Générez des chiffres manuscrits réalistes : développez un modèle capable de produire des chiffres manuscrits haute fidélité impossibles à distinguer des chiffres réels.
- Améliorer l'augmentation des données : fournissez des données synthétiques supplémentaires pour entraîner d'autres modèles d'apprentissage automatique, améliorant ainsi leur robustesse et leur précision.
- Explorez les capacités du GAN : étudiez le potentiel des GAN pour générer des images de haute qualité et contribuer aux progrès dans le domaine des modèles génératifs.
Usage
Exécuter le notebook Colab
Pour exécuter efficacement le notebook Colab, il est recommandé d'utiliser un GPU. Suivez ces étapes :
- Ouvrez le bloc-notes dans Google Colab.
- Accédez à
Runtime > Change runtime type . - Sous
Hardware accelerator , sélectionnez GPU et cliquez sur Save . - Cliquez sur
Connect dans le coin supérieur droit et sélectionnez Connect to hosted runtime . - Exécutez chaque cellule du bloc-notes de manière séquentielle.
Dépendances
- TensorFlow
- TensorFlow GAN
- Ensembles de données TensorFlow
- Matplotlib
- NumPy
Former le GAN
- Exécutez les cellules du notebook pour configurer le pipeline d'entrée, construire les réseaux de générateurs et de discriminateurs et former le GAN.
- Surveillez la progression de la formation et évaluez les images générées.
Note
- Ce référentiel fournit une implémentation simplifiée d'un GAN à des fins pédagogiques.
- Des ajustements et des optimisations peuvent être nécessaires pour les applications du monde réel.
Contribuer
Les contributions sont les bienvenues ! Veuillez créer le référentiel et soumettre des demandes d'extraction pour toute amélioration ou correction de bugs.
Licence
Ce projet est sous licence MIT.
