Gere imagens de moda usando redes adversárias generativas

Resumo

Neste padrão de código, observe uma representação JSON simples da definição de um modelo de Rede Adversária Generativa (GAN) e da implementação de um modelo Deep Convolucional GAN (DCGAN) para gerar imagens de moda sem escrever uma única linha de código.

Descrição

Os modelos de deep learning são utilizados para executar tarefas de classificação e limitados pelo número de imagens disponíveis nos dados de treinamento. O aumento de dados é frequentemente usado para gerar sinteticamente maior quantidade de dados, que se parecem com os originais. As redes adversas generativas são modelos de ponta usados para gerar imagens sintéticas e realistas.

O Fashion MNIST é um conjunto de dados de classificação de 10 classes que substitui o conjunto de dados de classificação de dígitos MNIST. Muitos modelos de deep learning são treinados para executar a classificação no conjunto de dados Fashion MNIST. O desempenho desses classificadores poderia ser melhorado com um conjunto de dados de aprendizado com maior número de imagens. Um modelo Deep Convolutional GAN (DCGAN) é um GAN para gerar imagens MNIST de moda de alta qualidade.

Este é um projeto de código aberto incluído nas seguintes ferramentas que você pode usar para criar e implementar modelos GAN personalizados: 

• Especificar a arquitetura de um modelo GAN utilizando uma estrutura JSON simples, sem a necessidade de escrever nenhuma linha de código.

• Customizar todos os parâmetros de diferentes componentes GAN através de estruturas JSON.

• Desenhar aprendizados para modelos GAN em qualquer tipo de dado (como um conjunto de dados sobre moda) para iniciar a geração de novas imagens.

Fluxo

1. O usuário cria um arquivo de configuração JSON que define as opções de arquitetura do modelo GAN a ser treinado.

2. O usuário envia o arquivo de configuração JSON por meio de uma chamada da API REST para um servidor Python-Flask no IBM Cloud.

3. A API do Flask decodifica o arquivo de configuração JSON em tempo real e cria uma definição de modelo GAN.

4. A API do Flask converte a definição do modelo GAN em um código PyTorch em erros.

5. O modelo GAN no PyTorch é então treinado usando o conjunto de dados de imagem de moda apresentado.

6. O aprendizado do modelo gera novas imagens de moda que não estão no conjunto de dados de entrada, mas são semelhantes a elas.

7. As imagens recém-geradas podem ser coletadas no IBM Cloud.

Instruções

Confira o passo a passo detalhado deste tutorial no arquivo Leia-me. Você aprenderá a:

1. Criar uma conta no IBM Cloud.

2. Instalar o IBM Cloud CLI.

3. Efetuar login na sua conta do IBM Cloud usando CLI.

4. Configurar a organização e o espaço do IBM Cloud Target.

5. Clonar o repositório do GitHub.

6. Criar um arquivo de configuração GAN.

7. Editar o arquivo de manifesto e o ProcFile.

8. Enviar o aplicativo para uma nova instância Python no IBM Cloud.

...

Quer ler mais conteúdo especializado de programação? Conheça a IBM Blue Profile e tenha acesso a matérias exclusivas, novas jornadas de conhecimento e testes personalizados. Confira agora mesmo, consiga as badges e dê um upgrade na sua carreira!