DigitGenerator-GAN
Introdução
Este repositório contém código para a criação de um projeto de Rede Adversarial Generativa (GAN) projetado para gerar dígitos manuscritos falsos realistas, treinados no conjunto de dados MNIST. O conjunto de dados MNIST é uma coleção bem conhecida de 70.000 imagens de dígitos manuscritos, comumente usados para treinar várias imagens sistemas de processamento. Ao aproveitar o poder dos GANs, este projeto visa criar dígitos manuscritos sintéticos de alta qualidade que se assemelham muito aos encontrados no conjunto de dados MNIST.
Principais recursos
- Arquitetura de rede adversária generativa: utiliza uma estrutura GAN composta por um gerador e um discriminador, onde o gerador cria imagens de dígitos falsos e o discriminador avalia sua autenticidade.
- Conjunto de dados MNIST: treinado no conjunto de dados MNIST para garantir que os dígitos gerados sejam representativos de uma ampla variedade de estilos de escrita manual.
- Dígitos Sintéticos de Alta Qualidade: Produz imagens realistas e de alta qualidade de dígitos manuscritos que podem ser usados para diversas aplicações, incluindo aumento de dados, pesquisa de reconhecimento de dígitos e fins artísticos.
- Treinamento e Avaliação: Inclui scripts para treinamento do GAN, monitoramento de seu desempenho e avaliação da qualidade das imagens geradas.
Objetivos
- Gere dígitos manuscritos realistas: Desenvolva um modelo capaz de produzir dígitos manuscritos de alta fidelidade que sejam indistinguíveis dos reais.
- Melhore o aumento de dados: forneça dados sintéticos adicionais para treinar outros modelos de aprendizado de máquina, melhorando sua robustez e precisão.
- Explore os recursos da GAN: investigue o potencial das GANs na geração de imagens de alta qualidade e na contribuição para avanços no campo de modelos generativos.
Uso
Executando o notebook Colab
Para rodar o notebook Colab com eficiência, é recomendado o uso de uma GPU. Siga estas etapas:
- Abra o bloco de notas no Google Colab.
- Vá para
Runtime > Change runtime type . - Em
Hardware accelerator , selecione GPU e clique em Save . - Clique em
Connect no canto superior direito e selecione Connect to hosted runtime . - Execute cada célula do notebook sequencialmente.
Dependências
- TensorFlow
- TensorFlow GAN
- Conjuntos de dados do TensorFlow
- Matplotlib
- NumPy
Treinando o GAN
- Execute as células do notebook para configurar o pipeline de entrada, construir as redes geradoras e discriminadoras e treinar o GAN.
- Monitore o progresso do treinamento e avalie as imagens geradas.
Observação
- Este repositório fornece uma implementação simplificada de um GAN para fins educacionais.
- Ajustes e otimizações podem ser necessários para aplicações do mundo real.
Contribuindo
Contribuições são bem-vindas! Bifurque o repositório e envie solicitações pull para quaisquer melhorias ou correções de bugs.
Licença
Este projeto está licenciado sob a licença MIT.
