Этот проект представляет собой реализацию Self-Attention Generative Adversarial Network (SAGAN) для генерации изображений с использованием PyTorch. SAGAN использует механизм самовнимания, чтобы улучшить качество сгенерированных изображений, позволяя модели лучше улавливать глобальные зависимости в изображении.
SAGAN расширяет стандартные GANs, добавляя механизм самовнимания, что позволяет улучшить генерацию изображений за счёт учёта пространственных зависимостей. В этом проекте применяется Self-Attention в архитектуре генератора и дискриминатора для улучшения реалистичности сгенерированных изображений.
models/: Содержит архитектуры моделей генератора и дискриминатора.utils/: Вспомогательные функции, включая модуль загрузки данных и самовнимания.train.py: Основной скрипт для обучения моделей.data/: Папка для хранения датасета CelebA.outputs/: Папка для сохранения сгенерированных изображений.
-
Клонируйте репозиторий:
git clone https://github.com/yourusername/sagan-image-generation.git cd sagan-image-generation -
Установите необходимые зависимости:
pip install -r requirements.txt -
Убедитесь, что папка data содержит все необходимые изображения. Вы можете скачать их из официального сайта CelebA.
Для запуска обучения модели используйте команду:
python train.py
Процесс обучения будет выводить информацию о прогрессе в консоль и сохранять сгенерированные изображения в папку outputs/.
z_dim: Размерность вектора шума, подаваемого на вход генератору (по умолчанию 100).image_channels: Количество каналов в изображениях (по умолчанию 3 для RGB).batch_size: Размер мини-пакета для обучения (по умолчанию 64).num_epochs: Количество эпох для обучения (по умолчанию 100). Эти параметры можно изменить в файле train_sagan.py
В процессе обучения каждые 10 эпох будут сохраняться сгенерированные изображения в папке outputs/. Вы можете просмотреть прогресс и оценить качество генерации на основе этих изображений.
Пешков Матвей (https://github.com/Peshkov-Matvei).