심층 합성곱 생성적 적대 신경망 (MNIST)
https://www.tensorflow.org/tutorials/generative/dcgan?hl=ko (출처)
생성적 적대 신경망(GANs)이란?
생성적 적대 신경망 (Generative Adversarial Networks, GAN)은 두개의 모델이 적대적인 과정을 통해 동시에 훈련됩니다. 생성자("예술가")는 진짜 처럼 보이는 이미지를 생성하도록 배우는 와중에, 감별자 ("예술비평가")는 가짜의 이미지로부터 진짜를 구별하게 되는 것을 배우게 됩니다.
훈련과정 동안 생성자는 점차 실제같은 이미지를 더 잘 생성하게 되고, 감별자는 점차 진짜와 가짜를 더 잘 구별하게 됩니다. 이 과정은 감별자가 가짜 이미지에서 진짜 이미지를 더이상 구별하지 못하게 될때, 평형상태에 도달하게 됩니다.
생성적 적대 신경망 (GAN)에 대해 더 배우고 싶으시다면, MIT의 Intro to Deep Learning 수업을 추천합니다.
코드
텐서플로와 다른 라이브러리 불러오기
pip install -q tensorflow-gpu==2.0.0-rc1 pip install -q imageio import tensorflow as tf print(tf.__version__) import glob import imageio import matplotlib.pyplot as plt import numpy as np import os import PIL from tensorflow.keras import layers import time from IPython import display
데이터셋 로딩 및 준비
생성자와 감별자를 훈련하기 위해 MNIST 데이터셋을 사용할 것입니다. 생성자는 손글씨 숫자 데이터를 닮은 숫자들을 생성할 것입니다.
(train_images, train_labels), (_, _) = tf.keras.datasets.mnist.load_data() train_images = train_images.reshape(train_images.shape[0], 28, 28, 1).astype('float32') train_images = (train_images - 127.5) / 127.5 #이미지를 [-1, 1]로 정규화합니다. BUFFER_SIZE = 60000 BATCH_SIZE = 256 #데이터 배치를 만들고 섞는다. train_dataset = tf.data.Dataset.from_tensor_slices(train_images).shuffle(BUFFER_SIZE).batch(BATCH_SIZE)
모델 만들기
생성자
생성자는 시드값(랜덤한 잡음)으로부터 이미지를 생성하기 위해,
tf.keras.layers.Conv2DTranspose(업샘플링) 층을 이용합니다. 처음Dense층은 이 시드값을 인풋으로 받습니다. 그 다음 원하는 사이즈28x28x1의 이미지가 나오도록 업샘플링을 여러번 합니다.tanh를 사용하는 마지막 층을 제외한 나머지 각 층마다 활성함수로tf.keras.layers.LeakyReLU을 사용하고 있음을 주목합시다.def make_generator_model(): model = tf.keras.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) # 주목: 배치사이즈로 None이 주어집니다. 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
아직 훈련이 되지않은 생성자를 이용해 이미지를 생성해보자.
generator = make_generator_model() noise = tf.random.normal([1, 100]) generated_image = generator(noise, training=False) plt.imshow(generated_image[0, :, :, 0], cmap='gray')
감별자
감별자는 합성곱 신경망 (Convolutional Neural Network, CNN)기반의 이미지 분류기이다.
def make_discriminator_model(): model = tf.keras.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 modeldiscriminator = make_discriminator_model() decision = discriminator(generated_image) print(decision) #tf.Tensor([[-6.486074e-05]], shape=(1, 1), dtype=float32)
손실함수와 옵티마이저 정의
두 모델의 손실함수와 옵티마이저를 정의합니다.
# 이 메소드는 크로스 엔트로피 손실함수 (cross entropy loss)를 계산하기 위해 헬처 (helper)함수를 반환합니다. cross_entropy = tf.keras.losses.BinaryCrossentropy(from_logits=True)
감별자 손실함수
이 메소드는 감별자가 가짜 이미지에서 얼마나 진짜 이미지를 잘 판별하는지 수치화합니다. 진짜 이미에 대화 감별자의 예측과 1로 이루어진 행렬을 비교하고, 가짜 (생성된) 이미지에 대한 감별자의 예측과 0으로 이루어진 행렬을 비교합니다.
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
생성자 손실함수
생성자의 손실함수는 감별자를 얼마나 잘 속였는지에 대해 수치화를 합니다. 직관적으로 생성자가 원활히 수행되고 있다면, 감별자는 가짜 이미지를 진자 (또는 1)로 분류를 할 것입니다. 여기서 우리는 생성될 이미지에 대한 감별자의 결정을 1로 이루어진 행렬과 비교를 할 것입니다.
def generator_loss(fake_output): return cross_entropy(tf.ones_like(fake_output), fake_output)감별자와 생성자는 따로 훈련되기 때문에, 감별자와 생성자의 옵티마이저는 다르다.
generator_optimizer = tf.keras.optimizers.Adam(1e-4) discriminator_optimizer = tf.keras.optimizers.Adam(1e-4)
체크포인트 저장
이 노트북은 오랫동안 진행되느느 훈련이 방해되는 경우에 유용하게 쓰일 수 있는 모델의 저장방법과 복구방법을 보여줍니다.
checkpoint_dir = './training_checkpoints' checkpoint_prefix = os.path.join(checkpoint_dir, "ckpt") checkpoint = tf.train.Checkpoint(generator_optimizer = generator_optimizer, discriminator_opimizer = discriminator_optimizer, generator = generator, discriminator=discriminator)
훈련 루프 정의하기
EPOCHS = 50 noise_dim = 100 num_examples_to_generate = 16 # 이 시드를 시간이 지나도 재활용하겠다. # (GIF 애니메이션에서 진전 내용을 시각화하는데 쉽기 때문입니다.) seed = tf.random.normal([num_examples_to_generate, noise_dim])# 'tf.function'이 어떻게 사용되는지 주목해 주세요. # 이 데코레이터는 함수를 "컴파일" 합니다. @tf.function def train_step(images): noise = tf.random.normal([BATCH_SIZE, noise_dim]) 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): start = time.time() for image_batch in dataset: train_step(image_batch) #GIF를 위한 이미지를 바로 생성합니다. display.clear_output(wait = True) generate_and_save_images(generator, epoch + 1, seed) # 15에포크가 지날 떄마다 모델을 저장합니다. if(epoch + 1) % 15 == 0: checkpoint.save(file_prefix = checkpoint_prefix) #print('에포크 {} 에서 걸린 시간은 {} 초 입니다.'.format(epoch + 1, time.time() - start)) print('Time for epoch {} is {} .sec'.format(epoch + 1, time.time()-start)) # 마지막 에포크가 끝난 후 생성합니다. display.clear_output(wait=True) generate_and_save_images(generator, epochs, seed)
이미지 생성 및 저장
def generate_and_save_images(model, epoch, test_input): #'training'이 False로 맞춰진 것을 주목하세요. # 이렇게 하면 (배치정규화를 포함하여) 모든 층들이 추론 모드로 실행됩니다. 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()
모델 훈련
위에 정의된
train()메서드를 생성자와 감별자를 동시에 훈련하기 위해 호출합니다. 생성적 적대 신경망을 학습하는 것은 매우 까다로울 수 있습니다. 생성자와 감별자가 서로를 제압하지 않는 것이 중요합니다. (예를 들어 학습률이 비슷하면 한쪽이 우세해집니다.) 훈련 초반부에는 생성된 이미지는 랜덤한 노이즈처럼 보입니다. 훈련이 진행될수록, 생성된 숫자는 점차 진짜처럼 보일 것입니다. 약 50 에포크가 지난 후, MNIST 숫자와 닮은 이미지가 생성됩니다. 코랩에서 기본 설정으로 실행하면, 에포크마다 1분정도 소요될 것입니다.
Google Colab에서 GPU를 사용한다면, Epoch마다 30초가량 소요되었음%%time train(train_dataset, EPOCHS)
GIF 생성
# 에포크 숫자를 사용하여 하나의 이미지를 보여줍니다. def display_image(epoch_no): return PIL.Image.open('image_at_epoch_{:04d}.png'.format(epoch_no)) display_image(EPOCHS)
anim_file = 'dcgan.gif' with imageio.get_writer(anim_file, mode='I') as writer: filenames = glob.glob('image*.png') filenames = sorted(filenames) last = -1 for i, filename in enumerate(filenames): frame = 2*(i**0.5) if(round(frame) > round(last)): last = frame else: continue image = imageio.imread(filename) writer.append_data(image) image = imageio.imread(filename) writer.append_data(image) import IPython if IPython.version_info > (6, 2, 0, ''): display.Image(filename=anum_file)
구글 Colab을 사용한다면 GIF를 확인할 수 있다.
try: from google.colab import files except ImjportError: pass else: files.download(anim_file)
