Edited at

keras GAN 自前データセットで画像生成

More than 1 year has passed since last update.

前回、自前のデータセットを使って画像分類(CNN)をしたので今回はGANにより画像を生成

してみようと思います。データセットに使うのは多部未華子ちゃんでいこうと思います


データセット作成用画像

gan_dataset.png


データセット作成

GANではテストデータとか、ラベル必要ないのですが前のスクリプトを流用したので

箱だけ用意する感じになってしまっています


gan_datasets.py

import matplotlib.pyplot as plt

import sys
from keras.preprocessing.image import array_to_img,img_to_array,load_img
import numpy as np
import os

X_train=[]
Y_train=[]

X_test=[]
Y_test=[]

i=os.listdir("/home/MyDataSets/face/_3")
n=0
for target_file in i:
image=("/home/MyDataSets/face/_3/"+target_file)
temp_img=load_img(image)
temp_img_array=img_to_array(temp_img)
print(temp_img_array.shape)
X_train.append(temp_img_array)
n=n+1

np.savez("/home/gan/gan.npz",x_train=X_train,y_train=Y_train,x_test=X_test,y_test=Y_test)



自動生成開始

GANのスクリプトは下記から流用させてもらいました

MNISTだったので、それを自前のデータセットに変更しています

https://github.com/eriklindernoren/Keras-GAN

いろんなタイプのサンプルがあってすごいです。

最初はノートPCでやっていたのですが、当たり前ですが計算の進みが遅いので

(8時間回しても3000epochsしかすすみません。。)

会社で割と自由に使えるxeonを積んだサーバーで回しました

それでも終わるまで20時間くらいかかってしまいました

やはりGPUないと厳しい。。


gan.py

from __future__ import print_function, division

from keras.datasets import mnist
from keras.layers import Input, Dense, Reshape, Flatten, Dropout
from keras.layers import BatchNormalization, Activation, ZeroPadding2D
from keras.layers.advanced_activations import LeakyReLU
from keras.layers.convolutional import UpSampling2D, Conv2D
from keras.models import Sequential, Model
from keras.optimizers import Adam

import matplotlib.pyplot as plt

import sys

import numpy as np

class GAN():
def __init__(self):
self.img_rows = 128
self.img_cols = 128
self.channels = 3
self.img_shape = (self.img_rows, self.img_cols, self.channels)
self.latent_dim = 100

optimizer = Adam(0.0002, 0.5)

# Build and compile the discriminator
self.discriminator = self.build_discriminator()
self.discriminator.compile(loss='binary_crossentropy',
optimizer=optimizer,
metrics=['accuracy'])

# Build the generator
self.generator = self.build_generator()

# The generator takes noise as input and generates imgs
z = Input(shape=(self.latent_dim,))
img = self.generator(z)

# For the combined model we will only train the generator
self.discriminator.trainable = False

# The discriminator takes generated images as input and determines validity
validity = self.discriminator(img)

# The combined model (stacked generator and discriminator)
# Trains the generator to fool the discriminator
self.combined = Model(z, validity)
self.combined.compile(loss='binary_crossentropy', optimizer=optimizer)

def build_generator(self):

model = Sequential()

model.add(Dense(256, input_dim=self.latent_dim))
model.add(LeakyReLU(alpha=0.2))
model.add(BatchNormalization(momentum=0.8))
model.add(Dense(512))
model.add(LeakyReLU(alpha=0.2))
model.add(BatchNormalization(momentum=0.8))
model.add(Dense(1024))
model.add(LeakyReLU(alpha=0.2))
model.add(BatchNormalization(momentum=0.8))
model.add(Dense(np.prod(self.img_shape), activation='tanh'))
model.add(Reshape(self.img_shape))

model.summary()

noise = Input(shape=(self.latent_dim,))
img = model(noise)

return Model(noise, img)

def build_discriminator(self):

model = Sequential()

model.add(Flatten(input_shape=self.img_shape))
model.add(Dense(512))
model.add(LeakyReLU(alpha=0.2))
model.add(Dense(256))
model.add(LeakyReLU(alpha=0.2))
model.add(Dense(1, activation='sigmoid'))
model.summary()

img = Input(shape=self.img_shape)
validity = model(img)

return Model(img, validity)

def train(self, epochs, batch_size=128, sample_interval=50):

# Load the dataset

f=np.load("/home/gan/gan.npz")
X_train=f["x_train"]
# Rescale -1 to 1
X_train = X_train / 127.5 - 1.

# Adversarial ground truths
valid = np.ones((batch_size, 1))
fake = np.zeros((batch_size, 1))

for epoch in range(epochs):

# ---------------------
# Train Discriminator
# ---------------------

# Select a random batch of images
idx = np.random.randint(0, X_train.shape[0], batch_size)
imgs = X_train[idx]

noise = np.random.normal(0, 1, (batch_size, self.latent_dim))

# Generate a batch of new images
gen_imgs = self.generator.predict(noise)

# Train the discriminator
d_loss_real = self.discriminator.train_on_batch(imgs, valid)
d_loss_fake = self.discriminator.train_on_batch(gen_imgs, fake)
d_loss = 0.5 * np.add(d_loss_real, d_loss_fake)

# ---------------------
# Train Generator
# ---------------------

noise = np.random.normal(0, 1, (batch_size, self.latent_dim))

# Train the generator (to have the discriminator label samples as valid)
g_loss = self.combined.train_on_batch(noise, valid)

# Plot the progress
print ("%d [D loss: %f, acc.: %.2f%%] [G loss: %f]" % (epoch, d_loss[0], 100*d_loss[1], g_loss))

# If at save interval => save generated image samples
if epoch % sample_interval == 0:
self.sample_images(epoch)

def sample_images(self, epoch):
r, c = 5, 5
noise = np.random.normal(0, 1, (r * c, self.latent_dim))
gen_imgs = self.generator.predict(noise)

# Rescale images 0 - 1
gen_imgs = 0.5 * gen_imgs + 0.5

fig, axs = plt.subplots(r, c)
cnt = 0
for i in range(r):
for j in range(c):
axs[i,j].imshow(gen_imgs[cnt, :,:,0], cmap='gray')
axs[i,j].axis('off')
cnt += 1
fig.savefig("gan/%d.png" % epoch)
plt.close()

if __name__ == '__main__':
gan = GAN()
gan.train(epochs=30000, batch_size=32, sample_interval=200)



結果

29800epoch目の生成画像です(多部ちゃんの感じは出ているのではないでしょうか)

29800.png

200epoch毎に画像を保存するのでgifにしてみました。

※下の数字は、別途つけています

人の顔に見えてくる過程が結構面白いですね。ある程度行くとあんまり変化なくなってしまいます

regan.gif