Intelligence artificielle

Conquérir des problèmes de jeu de données déséquilibrés par classe à l'aide de GAN

Conquérir des problèmes de jeu de données déséquilibrés par classe à l'aide de GAN


le sommaire() Cette fonction peut également être utilisée pour voir la disposition du modèle et le nombre de paramètres pouvant être entraînés. Appeler le train() fonction pour commencer la formation discriminateur et générateur.

Modèle discriminateur

_________________________________________________________________
Layer (type) Output Shape Param #
=============================================== ===============
conv2d_1 (Conv2D) (Aucun, 128, 128, 16) 448
_________________________________________________________________
leaky_re_lu_1 (LeakyReLU) (Aucune, 128, 128, 16) 0
_________________________________________________________________
conv2d_2 (Conv2D) (Aucun, 64, 64, 8) 1160
_________________________________________________________________
leaky_re_lu_2 (LeakyReLU) (Aucun, 64, 64, 8) 0
_________________________________________________________________
conv2d_3 (Conv2D) (Aucun, 32, 32, 16) 1168
_________________________________________________________________
leaky_re_lu_3 (LeakyReLU) (Aucune, 32, 32, 16) 0
_________________________________________________________________
conv2d_4 (Conv2D) (Aucun, 16, 16, 8) 1160
_________________________________________________________________
leaky_re_lu_4 (LeakyReLU) (Aucun, 16, 16, 8) 0
_________________________________________________________________
flatten_1 (Flatten) (Aucun, 2048) 0
_________________________________________________________________
dropout_1 (Dropout) (Aucun, 2048) 0
_________________________________________________________________
dense_1 (dense) (aucun, 1) 2049
=============================================== ===============
Nombre total de paramètres: 11 970
Paramètres pouvant être entraînés: 5 985
Paramètres non entraînables: 5 985
_________________________________________________________________

Modèle de générateur

_________________________________________________________________
Layer (type) Output Shape Param #
=============================================== ===============
dense_2 (dense) (aucun, 65536) 6619136
_________________________________________________________________
leaky_re_lu_5 (LeakyReLU) (Aucun, 65536) 0
_________________________________________________________________
reshape_1 (Remodeler) (Aucun, 16, 16, 256) 0
_________________________________________________________________
conv2d_transpose_1 (Conv2DTr (aucun, 32, 32, 128) 524416
_________________________________________________________________
leaky_re_lu_6 (LeakyReLU) (Aucune, 32, 32, 128) 0
_________________________________________________________________
conv2d_transpose_2 (Conv2DTr (Aucun, 64, 64, 128) 262272
_________________________________________________________________
leaky_re_lu_7 (LeakyReLU) (Aucun, 64, 64, 128) 0
_________________________________________________________________
conv2d_transpose_3 (Conv2DTr (aucun, 128, 128, 128) 262272
_________________________________________________________________
leaky_re_lu_8 (LeakyReLU) (Aucune, 128, 128, 128) 0
_________________________________________________________________
conv2d_5 (Conv2D) (Aucun, 128, 128, 3) 3459
=============================================== ===============
Nombre total de paramètres: 7 671 555
Paramètres pouvant être entraînés: 7 671 555
Paramètres non entraînables: 0
_________________________________________________________________

Le processus de formation ressemblera à l'extrait ci-dessous

.....
> 319, 5/10, d1 = 0,692, d2 = 0,761 g = 0,709
> 319, 6/10, d1 = 0,822, d2 = 0,759 g = 0,690
> 319, 7/10, d1 = 0,733, d2 = 0,764 g = 0,723
> 319, 8/10, d1 = 0,662, d2 = 0,740 g = 0,743
> 319, 9/10, d1 = 0,701, d2 = 0,683 g = 0,758
> 319, 10/10, d1 = 0,830, d2 = 0,744 g = 0,728
> 320, 1/10, d1 = 0,749, d2 = 0,717 g = 0,731
> 320, 2/10, d1 = 0,677, d2 = 0,796 g = 0,722
> 320, 3/10, d1 = 0,766, d2 = 0,700 g = 0,717
> 320, 4/10, d1 = 0,676, d2 = 0,736 g = 0,765
> 320, 5/10, d1 = 0,792, d2 = 0,762 g = 0,730
> 320, 6/10, d1 = 0,690, d2 = 0,710 g = 0,719
> 320, 7/10, d1 = 0,807, d2 = 0,759 g = 0,708
> 320, 8/10, d1 = 0,715, d2 = 0,747 g = 0,711
> 320, 9/10, d1 = 0,719, d2 = 0,720 g = 0,731
> 320, 10/10, d1 = 0,695, d2 = 0,717 g = 0,694
################# Résumer ###################
> Précision réelle: 35%, faux: 57%

Après 320 périodes, voici la qualité des images que j'ai pu produire. La formation de ce GAN a pris environ 30 minutes. Un modèle générateur et discriminateur plus complexe aurait pu produire des images de meilleure qualité.

save_plot () générera une matrice d'images 7 sur 7

Progression du GAN vers un cube parfait

Afficher plus

SupportIvy

SupportIvy.com : Un lieu pour partager le savoir et mieux comprendre le monde. Meilleure plate-forme de support gratuit pour vous, Documentation &Tutoriels par les experts.

Articles similaires

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Bouton retour en haut de la page
Fermer