DigitGenerator GAN

DigitGenerator-GAN

Perkenalan

Repositori ini berisi kode untuk membuat proyek Generative Adversarial Network (GAN) yang dirancang untuk menghasilkan angka tulisan tangan palsu yang realistis, dilatih pada kumpulan data MNIST. Kumpulan data MNIST adalah kumpulan terkenal dari 70.000 gambar angka tulisan tangan, yang biasa digunakan untuk melatih berbagai gambar sistem pemrosesan. Dengan memanfaatkan kekuatan GAN, proyek ini bertujuan untuk membuat angka tulisan tangan sintetis berkualitas tinggi yang sangat mirip dengan yang ditemukan dalam kumpulan data MNIST.

Fitur Utama

• Arsitektur Jaringan Adversarial Generatif: Menggunakan kerangka GAN yang terdiri dari generator dan diskriminator, di mana generator membuat gambar digit palsu dan diskriminator mengevaluasi keasliannya.
• Kumpulan Data MNIST: Dilatih pada kumpulan data MNIST untuk memastikan digit yang dihasilkan mewakili berbagai macam gaya tulisan tangan.
• Digit Sintetis Berkualitas Tinggi: Menghasilkan gambar angka tulisan tangan yang realistis dan berkualitas tinggi yang dapat digunakan untuk berbagai aplikasi, termasuk augmentasi data, penelitian pengenalan digit, dan tujuan artistik.
• Pelatihan dan Evaluasi: Termasuk skrip untuk melatih GAN, memantau kinerjanya, dan mengevaluasi kualitas gambar yang dihasilkan.

Tujuan

• Hasilkan Digit Tulisan Tangan Realistis: Kembangkan model yang mampu menghasilkan digit tulisan tangan dengan ketelitian tinggi yang tidak dapat dibedakan dari digit asli.
• Tingkatkan Augmentasi Data: Menyediakan data sintetis tambahan untuk melatih model pembelajaran mesin lainnya, sehingga meningkatkan ketahanan dan akurasinya.
• Jelajahi Kemampuan GAN: Selidiki potensi GAN dalam menghasilkan gambar berkualitas tinggi dan berkontribusi terhadap kemajuan di bidang model generatif.

Penggunaan

Menjalankan Notebook Colab

Untuk menjalankan notebook Colab secara efisien, disarankan untuk menggunakan GPU. Ikuti langkah-langkah berikut:

1. Buka buku catatan di Google Colab.
2. Buka Runtime > Change runtime type .
3. Di bawah Hardware accelerator , pilih GPU dan klik Save .
4. Klik Connect di sudut kanan atas dan pilih Connect to hosted runtime .
5. Jalankan setiap sel di buku catatan secara berurutan.

Ketergantungan

• Aliran Tensor
• TensorFlow GAN
• Kumpulan Data TensorFlow
• Matplotlib
• NomorPy

Melatih GAN

1. Jalankan sel notebook untuk menyiapkan jalur input, membangun jaringan generator dan diskriminator, dan melatih GAN.
2. Pantau kemajuan pelatihan dan evaluasi gambar yang dihasilkan.

Catatan

• Repositori ini menyediakan implementasi GAN yang disederhanakan untuk tujuan pendidikan.
• Penyesuaian dan pengoptimalan mungkin diperlukan untuk aplikasi dunia nyata.

Berkontribusi

Kontribusi dipersilakan! Silakan fork repositori dan kirimkan permintaan penarikan untuk penyempurnaan atau perbaikan bug apa pun.

Lisensi

Proyek ini dilisensikan di bawah Lisensi MIT.