8
5

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 5 years have passed since last update.

DCGANによるポケモン生成

Last updated at Posted at 2019-07-20

#DCGANでポケモン生成
今回はkaggelで配布されているデータセット https://www.kaggle.com/kvpratama/pokemon-images-dataset を教師データ(正解画像)として用います。
実際のコードは以下からダウンロードできます。
https://github.com/Kohey1480/pokemon_dcgan
 同じ階層にデータセットを用意しimagechange.py->pokemon_dcgan.pyの順で実行してください。
#教師データについて
配布されているポケモンデータセットは第7世代721体のポケモンのメガシンカやフォルムチェンジを含んだの819枚画像で、256(pixel)×256(pixel)×3(channel)になっています。メモリのオーバーフローを避けるため今回使うデータは64(pixel)×64(pixel)×3(channel)に圧縮しました。
#DCGANの簡単な説明
詳しくは論文 に書いてありますが、DCGANは以下のように構成されています。
スクリーンショット 2019-07-18 1.48.27.png
 大まかに言うとGeneratorとDiscriminatorで構成されていて、ランダムに生成されたノイズからGenerator部分で画像を生成し、
Discriminator部分では実際の画像であるかgeneratorであるかを判別するようにできていて、Discriminator正しく判断し、generatorは学習されたDisciminatorをだませるように学習を行っていくという構成です。
#実装
 まず、Generatorについては、UpSampling2Dという関数を用いて、畳み込みの逆方向の操作を行うことで画像を生成していきます。また、
 ・ 出力層の活性化関数はtanhを用いる
 ・ バッチノルムを用いる。
といったテクニックがあるようです。
001.jpg

今回実装したGenerator部分のニューラルネットワークは以下のコードで構成されています。

def generator(self):
    noise_shape = (self.z_dim,)

    model = Sequential()
    model.add(Dense(128 * 16 * 16, activation="relu", input_shape=noise_shape))
    model.add(Reshape((16, 16, 128)))
    model.add(BatchNormalization(momentum=0.8))
    model.add(UpSampling2D())
    model.add(Conv2D(128, kernel_size=3, padding="same"))
    model.add(Activation("relu"))
    model.add(BatchNormalization(momentum=0.8))
    model.add(UpSampling2D())
    model.add(Conv2D(64, kernel_size=3, padding="same"))
    model.add(Activation("relu"))
    model.add(BatchNormalization(momentum=0.8))
    model.add(Conv2D(3, kernel_size=3, padding="same"))
    model.add(Activation("tanh"))
    model.summary()

    return model

 Discminatorについては畳み込みニューラルネットワーク(CNN)で構成されていて出力層については、正解画像か生成された画像であるか生成された画像であるかの2クラス問題であるため、出力層のノードは1個か2個でもどちらでもよく、1個で設定されているものが一般的であるようであるが、直感的にわかりやすくするために今回は出力層のノードを2個で構成しました。

 また、DCGANに限ってはDiscmininatorは
  ・ pooling層ではなくストライド幅を大きくした畳み込み層を用いること
  ・ 全結合層を用いないこと(層が深ければ深いほど用いないほうが良い)
  ・ 活性化関数はLeakyReLUを用いること
  ・ バッチノルム用いること
などといったテクニックがあるようです。

def build_discriminator(self):
    img_shape = (self.img_rows, self.img_cols, self.channels)

    model = Sequential()
    model.add(Conv2D(32, kernel_size=3, strides=2, input_shape=img_shape, padding="same"))
    model.add(LeakyReLU(alpha=0.2))
    model.add(Dropout(0.25))
    model.add(Conv2D(64, kernel_size=3, strides=2, padding="same"))
    #model.add(ZeroPadding2D(padding=((0, 1), (0, 1))))
    model.add(LeakyReLU(alpha=0.2))
    model.add(Dropout(0.25))
    model.add(BatchNormalization(momentum=0.8))
    model.add(Conv2D(128, kernel_size=3, strides=2, padding="same"))
    model.add(LeakyReLU(alpha=0.2))
    model.add(Dropout(0.25))
    model.add(GlobalAveragePooling2D())
    model.add(Dense(2, activation='sigmoid'))
    model.summary()

    return model

#結果
以下100000epoch学習した推移です。
poke_gif.gif
↓100000epoch学習後の出力です。
pokemon90000.png

ポケモンっぽい...??
(これでもパラメーターやネットワークのチューニングに数日かかりました。)

8
5
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
8
5

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?