今天带来一组p站动漫男生图片,平常发图都是女性角色居多,其实羊课菌也存了不少帅气boy的美照。让我们一起看看男生茶艺照该怎么拍吧~
羊课网的绘画视频教程全部都是免费的,零基础和提高篇都有哦。下面,我们继续看p站动漫男生图片~
p站动漫男生图片,本期就分享这几张,后续还会更新更多美图,羊课菌期待与你下期再会~
今天带来一组p站动漫男生图片,平常发图都是女性角色居多,其实羊课菌也存了不少帅气boy的美照。让我们一起看看男生茶艺照该怎么拍吧~
羊课网的绘画视频教程全部都是免费的,零基础和提高篇都有哦。下面,我们继续看p站动漫男生图片~
p站动漫男生图片,本期就分享这几张,后续还会更新更多美图,羊课菌期待与你下期再会~
声明:该文观点仅代表作者本人,搜狐号系信息发布平台,搜狐仅提供信息存储空间服务。
生成对抗网络可以简单地理解为用来造假的网络。其一般由两部分组成,生成器 G G G (Generator) 和判别器 D D D (Discriminator)。最终目的为生成器 G G G生成的图像无法让判别器 D D D判别真伪;判别器 D D D可以判别那些是真正的图像,哪些是生成器 G G G生成的假图像。训练时可简单分为四步:
生成器接受噪声noise,输出生成的图像
将真实的图像和第一步中的生成的图像合并为数据 X,且将真实图像的标签设置为 0.9-1 的随机数(此举为了减少出现 模式崩溃(Model Collapse) 的概率,即减少生成的图像几乎一样的概率),生成图像的标签设置为0,输入判别器中并训练。
将噪声noise作为X,将长度为batchsize的0.9至1的随机数作为Y输入G_D的联合网络中,并设置判别器为不可训练,训练整个网络即只训练生成器。
四、重复以上三步,直至生成的图像令人感到满意为止。
Z Z,然后通过一系列的卷积运算将其投影到较小的空间。论文中生成器 G G G的结构如下,将生成器反转并改变输出层即为判别器 D D D。DCGAN的训练过程与生成对抗网络的训练过程一样。
在论文中作者提出了五点使DCGAN更加稳定的架构指南:
数据来自于Kaggle的,在这里仅取了其中一部分的数据,感觉麻烦的可以直接关注公众号回复动漫头像获取压缩包文件。
设置图片的尺寸,方便以后拓展应用
查看其中一张图片,路径填写自己保存的图片路径。
注意:千万不要用下面的方法读取太多的图片,读取5000张大概需要5分钟左右,10000张需要20分钟甚至更长。
我的思路为先读取一张图片,然后使用concatenate
函数使其与其他的图片拼接在一起。
得到的输出为:5001。
实践中发现此方法读取数据的时间随读取的数量呈指数级上升,如果有更好的方法,望在评论区告知,非常感谢。
根据论文搭建生成器 G G G,除了最后一层使用Tanh激活函数外其他层均使用ReLU激活函数。
根据生成器与论文构建对应的判别器即可。
先定义一连接模型的函数,再将生成器 G G G与判别器 D D D连接。
定义一个函数,使多张图片连接成一张图片。
虽然训练过程中也可以生成图片,但是那是拼接过后的图片,下面就定义一个函数,输入噪声图像后输出一张64*64的图片。
首先我们设置保存模型权重及生成图片的位置,如果没有该路径,则会自动创建。
然后根据GAN的训练方法编写训练的函数。
然后等待生成的图片符合预期效果即可。
下面为动漫头像整个的生成过程。