用户提问: ai绘画源码
Ai回答: AI绘画的实现涉及多个技术领域，包括深度学习、计算机视觉和生成模型等。以下是一个简单的基于Python的AI绘画示例，使用了深度学习框架TensorFlow和Keras来训练一个简单的生成对抗网络（GAN），用于生成手写数字图像。
1、安装依赖
首先，确保你已经安装了必要的库：
bash
pip install tensorflow matplotlib numpy
2、源代码
python
import tensorflow as tf
from tensorflow.keras import layers, models
import numpy as np
import matplotlib.pyplot as plt
加载MNIST数据集
(x_train, _), (_, _) = tf.keras.datasets.mnist.load_data()
数据预处理
x_train = x_train.reshape(-1, 28, 28, 1).astype('float32')
x_train = (x_train 127.5) / 127.5 将像素值归一化到[-1, 1]
BUFFER_SIZE = 60000
BATCH_SIZE = 256
创建数据集
train_dataset = tf.data.Dataset.from_tensor_slices(x_train).shuffle(BUFFER_SIZE).batch(BATCH_SIZE)
构建生成器
def build_generator():
model = models.Sequential()
model.add(layers.Dense(7*7*256, use_bias=False, input_shape=(100,)))
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())
model.add(layers.Reshape((7, 7, 256)))
assert model.output_shape == (None, 7, 7, 256) 注意：None是批量大小
model.add(layers.Conv2DTranspose(128, (5, 5), strides=(1, 1), padding='same', use_bias=False))
assert model.output_shape == (None, 7, 7, 128)
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())
model.add(layers.Conv2DTranspose(64, (5, 5), strides=(2, 2), padding='same', use_bias=False))
assert model.output_shape == (None, 14, 14, 64)
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())
model.add(layers.Conv2DTranspose(1, (5, 5), strides=(2, 2), padding='same', use_bias=False, activation='tanh'))
assert model.output_shape == (None, 28, 28, 1)
return model
构建判别器
def build_discriminator():
model = models.Sequential()
model.add(layers.Conv2D(64, (5, 5), strides=(2, 2), padding='same', input_shape=[28, 28, 1]))
model.add(layers.LeakyReLU())
model.add(layers.Dropout(0.3))
model.add(layers.Conv2D(128, (5, 5), strides=(2, 2), padding='same'))
model.add(layers.LeakyReLU())
model.add(layers.Dropout(0.3))
model.add(layers.Flatten())
model.add(layers.Dense(1))
return model
generator = build_generator()
discriminator = build_discriminator()
定义损失函数和优化器
cross_entropy = tf.keras.losses.BinaryCrossentropy(from_logits=True)
def generator_loss(fake_output):
return cross_entropy(tf.ones_like(fake_output), fake_output)
def discriminator_loss(real_output, fake_output):
real_loss = cross_entropy(tf.ones_like(real_output), real_output)
fake_loss = cross_entropy(tf.zeros_like(fake_output), fake_output)
total_loss = real_loss + fake_loss
return total_loss
generator_optimizer = tf.keras.optimizers.Adam(1e-4)
discriminator_optimizer = tf.keras.optimizers.Adam(1e-4)
@tf.function
def train_step(images):
noise = tf.random.normal([BATCH_SIZE, 100])
with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tape:
generated_images = generator(noise, training=True)
real_output = discriminator(images, training=True)
fake_output = discriminator(generated_images, training=True)
gen_loss = generator_loss(fake_output)
disc_loss = discriminator_loss(real_output, fake_output)
gradients_of_generator = gen_tape.gradient(gen_loss, generator.trainable_variables)
gradients_of_discriminator = disc_tape.gradient(disc_loss, discriminator.trainable_variables)
generator_optimizer.apply_gradients(zip(gradients_of_generator, generator.trainable_variables))
discriminator_optimizer.apply_gradients(zip(gradients_of_discriminator, discriminator.trainable_variables))
def train(dataset, epochs):
for epoch in range(epochs):
for image_batch in dataset:
train_step(image_batch)
每个epoch生成一些样本图片
display.clear_output(wait=True)
generate_and_save_images(generator, epoch + 1, seed)
最后一个epoch结束时生成图片
display.clear_output(wait=True)
generate_and_save_images(generator, epochs, seed)
def generate_and_save_images(model, epoch, test_input):
predictions = model(test_input, training=False)
fig = plt.figure(figsize=(4, 4))
for i in range(predictions.shape[0]):
plt.subplot(4, 4, i+1)
plt.imshow(predictions[i, :, :, 0] * 127.5 + 127.5, cmap='gray')
plt.axis('off')
plt.savefig('image_at_epoch_{:04d}.png'.format(epoch))
plt.show()
EPOCHS = 50
noise_dim = 100
num_examples_to_generate = 16
seed = tf.random.normal([num_examples_to_generate, noise_dim])
开始训练
train(train_dataset, EPOCHS)
3、代码解释
1、数据加载：我们使用了MNIST数据集，这是一个手写数字的数据集。
2、生成器：生成器使用反卷积操作来生成图像。它从随机噪声中生成看起来像MNIST数字的图像。
3、判别器：判别器是一个卷积神经网络，用于区分真实图像和生成器生成的假图像。
4、损失函数：我们使用二元交叉熵作为损失函数，来训练生成器和判别器。
5、训练过程：在每个epoch中，我们对生成器和判别器进行训练，并生成一些样本来观察生成器的进步。
4、运行结果
运行上述代码后，你会看到生成器在每个epoch结束后生成的手写数字图像。最终，生成器应该能够生成看起来像真实的MNIST数字的图像。
5、扩展
你可以尝试使用其他数据集（如CelebA人脸数据集）或更复杂的GAN架构（如Wasserstein GAN或CycleGAN）来生成不同类型的图像。
0
IP地址: 58.211.119.217
搜索次数: 1
提问时间: 2025-04-20 06:57:20
热门提问：
ai合成壁纸
智能ai软件排行
ai检查代码质量
ai域名价格
ai黑色导出来棕色
