用TensorFlow开发会ps的AI
生成图片或补全图片
背景和知识点简介
Adobe公司在Photoshop中加入人工智能等功能。
图片补全修复。
GAN 以及 由它发展而来的DC
GAN: 生成对抗网络
Generative Adversarial Networks
DCGAN: 深度卷积生成对抗网络
Deep Convolutional Generative Adversarial Networks
对于图片进行补全，或者其他的功用。
DCGAN的论文
https://arxiv.org/abs/1511.06434
UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS
非监督学习
这篇论文有16页。基础的架构也用到了卷积神经网络。结合了生成式对抗的网络的相关技术。最终可以生成一些图片。
结合几张图片生成新的图片。微笑的女人，紧张的女人，紧张的男人
微笑的女人 - 紧张的女人 + 紧张的男人 = 微笑的男人
对于图片元素的提取以及删减。
生成图片样例
mark
mark
mark
生成卡通人物或者人脸。
配置开发环境
软件和素材
TensorFlow: tf.keras(TensorFlow对keras的一个上层实现)
可以更加方便的去调用TensorFlow底层的api，让我们的模型更加清晰
PIL python imaging Library (安装pillow)
pip install pillow
下载大量的图片
实验中我们用到的图片是(64,64)的，也可以调整网络模型的参数使它成为(32,32)的
或者更大
CIFAR-10 需要使用pickle来处理的
https://www.cs.toronto.edu/~kriz/cifar.html
香港中文大学 celeba 人脸数据
http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html
百度云盘和Google drive都可以下载
kaggle中的datasets下载
https://www.kaggle.com/datasets
图片识别的比赛。
https://www.kaggle.com/alxmamaev/flowers-recognition/data
https://cs.nyu.edu/~roweis/data.html
Olivetti Faces (64,64)的图片
网上可以下载到卡通人物图片，Pokémon GO，香港中文大学人脸
下载下来转成我们想要的格式。用于模型的训练。
什么是GAN？
GAN 释义
generative Adversarial Network: 生成对抗网络
让两个神经网络以相互博弈的方式进行学习
一个生成(generator) 网络 与一个判别(Discriminator) 网络
想象一下场景: 给女友拍照
女友说: 我要这种效果
mark
可是实际的效果是这样:
mark
女友说: 我还没转身你就拍啦。
女友说: 你就不能去学学xxx的抓拍吗？
女友又说我要这种效果:
mark
可是你竟然拍出来这样的效果
mark
女友说: 你就不能去学学xxx的后期么？
没办法，女朋友的指令大于一切。
经过不断学习和失败, 最终。。。
mark
拍出了高大上的照片，女友说很棒我拿去发朋友圈了。
GAN的基本原理
男友；Generator(生成网络) 负责从随机生成数据(这里是照片)
女友: Discriminator (判别网络) 找出和真实数据之间的区别
直到判别网络无法判断数据是生成的还是真实的为止
无法判断这个照片是你拍的还是专业的人拍的
mark
给GAN一些真实的样本，大写的G表示生成器。大写的D表示判别器。
我给判别器一些真实样本，同时给它一些生成器从潜在空间加些噪声(具有随机性)的
数据，经过生成器，生成假的样本。
真实的样本和假冒的样本会一起经过判别器，判别器给出判断。
我们从上帝视角去看判别器判别的是否正确，根据我们上帝视角的判断去调教判别器和生成器
不只提升生成器，两个都会一起提升。
男友的拍照能力 和 女友的审美都会提升
mark
生成的数据与真实数据如果重合就停止
mark
GAN的相关信息
lan Goodfellow 在2014年提出，他曾是 Yoshua Bengio的学生
深度学习三巨头 Google brain openai
Yan LeCun 称赞 GAN 是"过去十年机器学习领域最有意思的想法"
可以生成图像，视频，模型。有不少的变体: DCGAN WGAN等
作者：天涯明月笙
链接：https://www.jianshu.com/p/5c4c177586ee