Модели картинки для срисовки: Картинка арт модель ❤ для срисовки

Теперь, когда у меня есть 3D-модель, я готов ее отправить. к 3D-принтеру.

А теперь самое интересное — проверить, подходит ли он.

Я рад сообщить, что он подходит. Подходит как перчатка. УСПЕХ!

В сегодняшнем блоге мы рассмотрели общую проблему: нам пришлось создать 3D-модель SOLIDWORKS объекта с формой, которую трудно захват с использованием традиционных измерений. Сделав фотографию этого физического объект и перенеся его в SOLIDWORKS, мы смогли использовать эту фотографию в качестве руководства для нашего процесса создания эскизов.Это значительно упростило процесс и оставили нам результат, который почти идеально соответствовал существующим физическим модель.

Не забудьте сначала создать эскиз компоновки с подходящего размера, а затем масштабируйте фотографии в соответствии с этим размером. Используйте масштаб инструмент, но затем выключите его для точной настройки. Используйте инструмент поворота, чтобы отрегулируйте угол ваших импортированных фотографий. Вы можете сделать изображения прозрачными чтобы с ними было немного легче работать.

Удачи, и я надеюсь, что вы тоже сможете сэкономить время на будущих проектах, выполнив следующие действия!

Об авторе

Тоби Шнаарс — сертифицированный эксперт SOLIDWORKS из Филадельфия, ПенсильванияОн работает с программным обеспечением SOLIDWORKS с 1998 года. предоставляет обучение, техническую поддержку, а также дает советы и рекомендации с 2001 года.

эталонных фотографий для художников · DRAWember

Pexels — Pexels — это платформа для высококачественных стоковых фотографий. У них есть лицензия Creative Commons Zero (CC0). (Есть ограничения для людей на фотографиях!)

Pixabay — более 770 000 бесплатных фотографий и иллюстраций для использования по лицензии CC0.

Stocksnap — Сотни фотографий с высоким разрешением под лицензией CC0

Morguefile — Morguefile — это бесплатный фотоархив, содержащий более 350 000 стоковых фотографий «для креативщиков, от креативщиков». Основанный Майклом Коннорсом в первые дни Интернета в 1996 году, сайт был создан для бесплатного обмена изображениями для творческих профессионалов и учителей, которые они могут использовать в своей работе.

Flickr creative commons — ПРИМЕЧАНИЕ : не все изображения на Flickr можно бесплатно использовать в качестве справочных.обязательно используйте инструмент поиска, который позволит вам найти фотографии, помеченные лицензией Creative Commons Derivatives License!

WetCanvas — Справочная библиотека изображений с более чем 80 000 изображений от художников для художников.

Freeimages — Более 389 000 бесплатных фотографий и иллюстраций для использования (прочтите лицензионное соглашение!)

Подгузник — Цветные люди

Unsplash

FancyCrave — Люди устали от дрянных стоковых фотографий.Вместо этого им нужны подлинные, эмоциональные и рассказывающие историю изображения. Здесь на помощь приходит Fancycrave. FancyCrave — это сайт бесплатных стоковых фотографий, созданный дизайнером и фотографом Игорем Овсянниковым.

Minimography — Минималистичная фотография во всей красе ♥

Негативное пространство

Глифы

Гудсток

Magdeleine — ПРИМЕЧАНИЕ : не все изображения на сайте находятся под лицензией CC0.Я связался с теми, которые есть!

Либресток

New Old Stock — Винтажные фотографии из публичных архивов

Photobash — Картинки с высоким разрешением роялти-фри. (Их первые 100 фото всегда бесплатно ! Большие пакеты увеличиваются на 1 доллар за 50, 75 или 100 фотографий в зависимости от размера пакета. Чем больше пакет, тем дешевле цена за фотографию. Средняя цена фото составляет 0 , 05 $ за фото!)

Gratisography — Некоторые действительно сумасшедшие снимки.Не типичные эталонные изображения, но почему бы не попробовать что-то другое и выделиться?

FoodShot — великолепная фотография еды в высоком разрешении под лицензией CC Zero.

SAA — бесплатные справочные фотографии SAA

Bossfight — фотографии высокого разрешения под лицензией CC Zero.

Designerpics

Raumrot

Обновлен

Getrefe

Реалистичные снимки

Kaboompics

Библиотека

Общедоступный архив

Wildlifereferencephotos — здесь у вас есть 2 варианта: загрузить изображение за 5 $ или приобрести пакет подписки, который позволяет загрузить 5 фотографий за 10 $ (в течение 30 дней с момента покупки)

Африканские справочные фотографии — 3100+ Фотографии и их количество.Пакет из 20 фотографий стоит 10 $ (фотографии должны быть загружены в течение 30 дней с момента покупки)

Фотографии для художников Facebook Group — Вы должны быть участником закрытой группы Facebook, чтобы использовать эталонные фотографии. Сейчас у них 14 500 участников

Бесплатные справочные фото художников — Facebook Group — Facebook-группа с 4100 участниками, предлагающая своим членам бесплатные справочные фотографии.

Справочное фото — Группа в Facebook — Группа в Facebook с 7100 участниками.

Справочные фотографии Венди для творческих людей — Группа в Facebook с 2100 участниками. Венди делится своей фотографией, чтобы участники могли использовать ее в традиционных произведениях искусства.

JasonMorgan — ПРИМЕЧАНИЕ ! Он говорит бесплатно на сайте и по ссылке, но вы платите ок. 15 $ за 100 картинок. и НЕТ, вы не можете заранее увидеть, какие изображения есть на компакт-диске!

Раскрась мою фотографию — N или : не так удобно, как другие страницы, на которые я ссылался.Я знаю, что многие из вас используют Paint my Photo, поэтому я добавил его

Совет учителей математики штата Вирджиния

ЧЕРТЕЖ МОДЕЛИ ДЛЯ РЕШЕНИЯ ПРОБЛЕМ

Эми Саутворт

Государственные школы округа Честерфилд

Не можете решить проблему? Хотели бы вы помочь своим ученикам лучше решать проблемы? Чертеж модели может стать для вас решением. Помогите учащимся разработать визуальный контекст для словесных задач и построить мост между конкретным и абстрактным мышлением при решении проблем.

ЧЕРТЕЖ МОДЕЛИ

Когда дело доходит до математики, многие учащиеся борются с решением задач. Рисование модели — это стратегия, которая обеспечивает конкретное визуальное представление, помогающее учащимся лучше понять проблему. Рисунок модели можно использовать на любом уровне от детского сада до старшей школы. Для учащихся начальной и средней школы можно использовать три общие модели для решения большинства словесных задач.

Перед тем, как приступить к рисованию моделей

Для начала учителя должны помочь ученикам внимательно прочитать задачу и переформулировать вопрос в виде утверждения.Студентам рекомендуется переписать вопрос как утверждение, оставив место для ответа. Это поддерживает написание предложений при проверке понимания. Например, если задан вопрос: На сколько миль пробежал бегун А, чем бегун Б? ученик может написать Бегун А пробежал на ____ миль больше, чем Бегун Б. Цель переформулирования вопроса в формулировку — показать понимание того, о чем спрашивают, а не найти ответа. Многие учителя считают полезным, чтобы ученики написали переформулированный вопрос в виде утверждения внизу страницы, чтобы побудить учеников вернуться к нему после решения задачи.

Дискретная модель

Дискретная модель — это простое прямое представление чисел. Если задача дает информацию, которую нужно добавить или вычесть, ученики просто рисуют изображение единиц, чтобы представить число, и решают задачу. Это может быть так же просто, как рисование картинок или рамок для обозначения сумм. Учащийся может сложить картинки вместе или вычеркнуть их по мере необходимости. Это также может быть более сложным. Учащиеся, работающие с большими числами, могут использовать столбцы для представления сумм.Рекомендуется, чтобы учащиеся нарисовали на модели вопросительный знак, чтобы наглядно представить решение. Например, если они находят сумму, на модели может быть нарисован вопросительный знак, указывающий, что обе полоски соединены вместе, чтобы получить ответ.

Часть целиком Модель

Модель «Часть целиком» представляет дробные числа, когда часть или целое неизвестно. Учащиеся рисуют полосу и разбивают ее на секции, представляющие разные части. Опять же, на модели ставится вопросительный знак, обозначающий неизвестный ответ.Эта модель легко создается и понимается. Это помогает учащимся задуматься о том, что неизвестно, и разработать план решения их проблемы. Например, если учащийся знает одно значение из двух и целое значение, он может нарисовать полосу, показывающую всю сумму. Под ним ученик может нарисовать две фигуры. Один с заданной частью и один со знаком вопроса. Это помогает ученику понять, что он должен вычесть из общей суммы (целого), а не прибавлять (распространенная ошибка). Это визуальное представление также помогает учителю и ученику понимать друг друга, если языковой барьер является препятствием.

Модель для сравнения

Модель сравнения используется для сравнения чисел. Многие проблемы имеют компоненты, которые упоминаются в другом количестве. Например, Runner A пробежал пять миль. Бегун Б бежал в шесть раз дальше, чем Бегущий А. Как далеко они пробежали вместе? В этом случае ученик может нарисовать полосу, изображающую бега А. на пять миль. Внизу может быть нарисована еще одна полоса, которая в шесть раз больше (6 единиц размера, чем у Бегуна А), чтобы представить количество Бегуна Б.Это помогает учащимся понять, что они решают общую сумму, а не только сумму бегуна Б (распространенная ошибка). Эта модель особенно полезна при знакомстве с алгеброй. Единицы становятся переменными в алгебре. Например, упомянутая проблема может быть записана как x + 6x =?, Где x представляет количество миль, которые пробежал бегун А (5 миль в этом примере).

ЗАКЛЮЧЕНИЕ

Рисунок модели можно использовать для решения большинства задач со словами, чтобы помочь лучше понять проблемы.Многие учащиеся используют рисование модели как эффективную стратегию для визуального представления текстовых задач, чтобы помочь им определить стратегию решения текстовых задач. Рисование модели может быть сильным инструментом для многих борющихся за решение проблем.

6 мест, где можно найти фантастические лица для практики рисования портретов?

Если вы принимаете участие в февральском конкурсе Faces Challenge, возможно, вы уже скачали наш справочник лиц в формате pdf (через нашу новостную рассылку или через группу Facebook). Вот несколько дополнительных советов по поиску эталонных лиц для практики рисования портретов.

1. Выкопайте все свои старые фотографии

Первый и самый простой вариант — просмотреть свои фотографии. Возможно, у вас уже есть отличные снимки друзей и семьи, хранящиеся в цифровом виде или в старых фотоальбомах. Кроме того, это отличный шанс одновременно прогуляться по переулку памяти.

2. Используйте свое лицо

Мир, возможно, сошел с ума от селфи, но вот способ найти хорошее применение этим селфи. Сфотографируйте себя с другим выражением лица, в шляпе и солнцезащитных очках или с краской на лице.Или, если вы предпочитаете, чтобы это было проще, просто сядьте перед зеркалом и нарисуйте себя таким образом.

3. Люди у телевизора

Постоянный источник лиц для практики рисования одним нажатием кнопки. Если у вас есть телевизор, который можно поставить на паузу, это прекрасно. Просто подождите, пока лицо человека займет нужное вам положение, и приостановите экран. Если у вас нет функции паузы, обратите внимание на программы чтения новостей, которые останутся на экране в относительно неподвижном положении. Возможно, вам придется рисовать поэтапно, пока вы ждете, пока они снова появятся на экране.Помните, что если вы решите рисовать людей по телевизору, вы должны использовать это только для практики, а не в коммерческих целях. В противном случае вы можете нарушить авторские права.

4. Раскрасьте мою фотографию

Paint my photo — это место, где художники могут найти и поделиться своими фотографиями для использования в качестве художественных справочников. Любая фотография может быть использована для создания (нецифрового) искусства, не беспокоясь о нарушении авторских прав. Это означает, что если вы найдете лицо, которое хотите нарисовать или раскрасить, вы также сможете продать свое искусство.

5. Бесплатные фото на Pixabay

На Pixabay вы можете найти бесплатные фотографии для использования любым способом, даже в коммерческих целях, без указания авторства. Здесь есть небольшая оговорка. Если вы собираетесь нарисовать или раскрасить человека и продать работу, вам также необходимо убедиться, что у фотографа есть подписанный «релиз модели». «Разрешение на использование модели» просто означает, что фотограф имеет разрешение фотографировать и использовать их фотографии. Если вы просто ищете лица, чтобы попрактиковаться в рисовании, вам есть из чего выбрать.

6. Бесплатные фото на Unsplash

Unsplash имеет несколько красивых фотографий, включая лица. Я в восторге от того, что фотографы позволяют нам бесплатно использовать свои потрясающие фотографии. Как и в случае с Pixabay, если вы используете изображения лиц для практики, проблем возникнуть не должно. Однако, если вы все же хотите использовать фотографии лиц для создания коммерческого искусства, дважды проверьте авторские права и выпуски моделей у соответствующих фотографов.

Счастливого рисования, мы с нетерпением ждем лиц, которые вы создаете для февральских лиц.

Как использовать эталонные изображения: 13 важных советов для художников

Эталонные изображения при правильном использовании могут быть динамическими ресурсами. Но знание того, как правильно их использовать, жизненно важно, если вы хотите получить правдоподобную вещь. Просто полагаться на свое визуальное воспоминание — не лучший способ получить точное представление, потому что слишком много элементов, которые нужно извлекать из глубины вашей памяти. Вот здесь и пригодятся эталонные изображения.

В этой статье мы перечисляем советы профессионалов, которые помогут вам наиболее успешно использовать ваши справочные изображения.На первой странице вы найдете общие советы о том, как подходить к использованию эталонных изображений, и перейдите на вторую страницу, если вам нужны более конкретные советы по принципам, которым следует следовать при использовании эталонных изображений для создания искусства.

Хотите начать с блестящих уроков по рисованию? См. Наше руководство по рисованию, в котором представлены лучшие классы. Более подробное техническое руководство по типам изображений можно найти в нашем руководстве по форматам файлов изображений.

Стоит ли использовать эталонные изображения?

Недавно в Твиттере появился хэштег #ArtistConfessions, и одним из самых популярных признаний художников было «использование ссылок».Это странно, потому что, как заметил британский иллюстратор и карикатурист Нил Дэвис, художники должны заниматься именно этим.

«Это не то, в чем нужно признаваться, мы все используем ссылку!» — написал он в Твиттере. «Посмотрите, наверное, на самого известного американского иллюстратора, Нормана Роквелла: у меня есть книга только с его эталонными фотографиями! Или Дрю Струзан: он не придумывал позы, он фотографировал себя!»

Так откуда взялась идея, что использование ссылок — это плохо?

«В некоторых частях Интернета существует своего рода пуристское мышление, согласно которому использование справочных материалов для чего-либо большего, чем учеба, является неуважением, — говорит художник из Северной Каролины Айви Доламор. видеть, не понимая этого.Работа «копировщиком» — это не проявление творческих способностей ».

01. Определите серую зону

Использование референсов — это, конечно, не то же самое, что простое копирование, но иногда между ними может быть серая зона. «Самая большая проблема — когда художники слишком строго придерживаются эталонного изображения», — говорит иллюстратор из Калифорнии. Келли МакМоррис.«Иногда поза или перспектива могут выглядеть естественно на фотографии, но неуклюже и жестко на рисунке. Важно изменить эталон, чтобы он служил вашему рисунку, а не наоборот. Или, как иногда говорили мои профессора:« Не будь раб вашей ссылки! »

Сюзанна Хельми, концепт-художник и иллюстратор, работающий в игровой и киноиндустрии в Нидерландах, соглашается. «Ключ в том, чтобы понимать, на что вы смотрите, а не просто рисовать то, что вы думаете, что видите», — говорит она.

«Раньше я учил людей рисовать портреты и заставлял их изучать череп и лицевые мышцы, прежде чем изображать настоящие лица.Это помогло им понять правильные объемы и пропорции ».

02. Объедините ваши ссылки

Дэвис считает важным использовать больше, чем одну ссылку. «Я всегда стараюсь найти хороший набор изображений для просмотра, даже когда я рисую с одного основного, » он говорит.«Я часто использую одну эталонную фотографию, например, для рисования лица, затем другую для эталона освещения и, возможно, еще одну для идеи цветовой схемы. Объединение множества различных эталонов — отличный способ проявить творческий подход».

Поговорите с большинством профессиональных художников, и вы услышите похожую историю. По общему признанию, одним заметным исключением является корейский художник-комикс Ким Чон Ги, который, как известно, не использует отсылки. Но даже он не полагается исключительно на свое воображение. Как он объясняет в интервью на своем сайте: «Я все время наблюдаю за вещами.Я не беру референсов, пока рисую, но всегда собираю визуальные ресурсы. Я внимательно наблюдаю за ними ежедневно, почти по привычке. Я изучаю изображения всех видов и жанров ».

03. Остерегайтесь авторских прав

Итак, где вы можете найти ссылки? Google Images и Pinterest — очевидные решения, но не забывайте об авторских правах.« Иногда я волнуюсь. что я слишком привязан к фотографии, которую нашел в Интернете, — говорит МакМоррис. — Поэтому, если я все же использую фотографии из сетевых источников, я стараюсь найти стоковые фотографии, не защищенные авторскими правами, и всегда стараюсь существенно изменить ссылку.Например, я могу изменить костюм модели или использовать только ее руку для справки, а не всю позу ».

04. Создайте свои собственные референсы

. В качестве альтернативы, МакМоррис просто вырезает посредника и снимает свои референсы. «Обычно я просто копаюсь в своем шкафу в поисках чего-то, что я могу использовать в качестве костюма, хватаю все, что валяется в доме в качестве опоры, и делаю несколько снимков. с моим телефоном », — объясняет она.»Это займет всего несколько минут, но поможет мне сэкономить час попыток рисовать из воображения. Делая собственные фотографии, вы не только избежите нарушения авторских прав, но и узнаете, какие позы и ракурсы и освещение лучше всего для справки «.

Тем не менее, фотография — лишь один из способов создания ваших собственных эталонов. Доламор, например, создает свои собственные ссылки на 3D-модели с помощью DesignDoll, помогая ей отображать позы, перспективу и тени.«Это дает мне результат, который мне нравится, хотя вы также не можете просто скопировать то, что дает вам DesignDoll», — говорит она. Это, конечно, займет немного времени. А Сэмюэл Рид, концепт-художник из Mighty Kingdom из Аделаиды, признает, что до недавнего времени нехватка времени отговаривала его от использования ссылок так часто, как он должен, даже когда он рекомендовал практику другим.

Как объясняет Рид: «Хотя я использовал референсы для таких вещей, как вдохновение и развитие идей, мне не хватало возможности использовать фотографии и рисование с натуры для таких задач, как позирование моих персонажей, изучение экспрессии и создание различных видов рук, ног, глаз. , носы, рты и так далее.«

05. Проанализируйте свой процесс.

Хэштег #ArtistConfessions сделал Read переосмыслить его процесс и больше сосредоточиться на этих областях — и этот подход оказал влияние на его работу «. Использование более разнообразных справочных фотографий, а также рисование из жизни начали учить меня больше о различных способах, которыми люди созданы и методы передачи идей, например, заставить чьи-то руки считаться старыми, обветшалыми и усталыми или твердыми и сильными », — говорит Рид.

Использование референсов может быть связано с множеством ловушек, но, сделанное правильно, вы станете лучшим художником. «Мне очень помогло то, что профессионалы с гордостью говорят, что используют ссылки, — говорит Доламор. «Когда я узнаю, что работа, которой я восхищаюсь, создана не на пустом месте, у меня появляется уверенность в том, что я могу думать:« О, я тоже могу это сделать ». Я перестала так много думать о пуризме и больше о том, как я могу этого добиться. исходное видение. Почему бы не использовать доступные инструменты? »

Материал был первоначально опубликован в выпуске 177 из ImagineFX , самого продаваемого в мире журнала для цифровых художников. Купить выпуск 177 или подписаться на ImagineFX .

Следующая страница: пошаговые инструкции по использованию эталонных изображений

Обучение построению модели для создания цветных изображений с использованием условных GAN

Мы собираемся построить условную генеративную состязательную сеть, которая принимает черно-белое изображение эскиза 256×256 пикселей и предсказывает цветную версию изображения, не зная, наземная правда.Модель будет обучена на парном наборе данных эскиза-раскраски аниме , доступном на Kaggle, который содержит 14,2 тыс. Пар аниме-изображений эскиза-раскраски.

Когда я обучал модель в своей системе, я запускал модель в течение 150 эпох, что заняло примерно 23 часа на одной графической карте GeForce GTX 1060 6 ГБ и 16 ГБ ОЗУ. После всей этой тяжелой работы и терпения результаты того стоили!

Для построения этой модели я использовал TensorFlow 2.x, и большая часть кода основана на их замечательном руководстве по Pix2Pix для CMP Facade Dataset , который прогнозирует фотографии зданий по этикеткам фасадов. Учебники TensorFlow — хороший способ понять структуру и работать над некоторыми хорошо известными проектами. Я настоятельно рекомендую вам пройти все уроки на сайте — https://www.tensorflow.org/tutorials .

Для создания этой модели необходимо установить некоторые основные требования, которые необходимо установить в вашей системе, чтобы она работала должным образом.

Если вы планируете использовать какие-либо облачные среды, такие как Google Colab, вы должны иметь в виду, что обучение займет много времени, так как GAN довольно сложны в вычислительном отношении для запуска. У Google Colab абсолютный тайм-аут составляет 12 часов, что означает, что ядро ​​ноутбука сбрасывается, поэтому вам необходимо учитывать некоторые моменты, такие как установка Google Диска и сохранение контрольных точек через регулярные промежутки времени, чтобы вы могли продолжить обучение с того места, где оно было остановлено до тайм-аут.

Загрузите набор данных Anime Sketch-Colorization Pair Dataset , доступный на Kaggle, и сохраните его в папке.Корневая папка будет содержать папки colorgram , train и val . Для удобства назовем путь к корневой папке как path / to / dataset / .

После того, как основные требования проверены и набор данных загружен на ваш компьютер, пора вам заняться кодированием вашей собственной условной GAN.

Прежде чем мы перейдем непосредственно к этому, обратите внимание, что код, который я собираюсь предоставить, не следует просто копировать и вставлять отсюда, если вы хотите понять основные принципы его работы.И не стесняйтесь задавать свои вопросы, потому что именно так можно учиться — задавая вопросы.

Сначала давайте инициализируем параметры для настройки обучения модели. Как было сказано ранее, мы будем использовать фреймворк TensorFlow, поэтому нам нужно будет импортировать его, используя импорт тензорного потока как tf .

Модуль os используется для взаимодействия с операционной системой. Мы собираемся использовать это для доступа и изменения переменных пути для сохранения контрольных точек во время обучения.Модуль time позволяет нам отображать относительное время и, следовательно, мы можем проверить, сколько времени заняла каждая эпоха во время обучения.

matplotlib — еще одна классная библиотека Python, которую мы будем использовать для построения и отображения изображений.

BUFFER_SIZE используется, когда мы перемешиваем образцы данных во время обучения. Чем выше значение этого параметра, тем выше будет степень перетасовки и, следовательно, выше будет точность модели. Но с большими данными для перетасовки изображений требуется много вычислительной мощности.Для моей системы с процессором Intel (R) Core (TM) i7–8750H и 16 ГБ ОЗУ можно было установить его равным размеру образцов набора данных поезда, то есть 14 224.

ПРИМЕЧАНИЕ. Наибольшая эффективность shuffle () достигается, когда вы устанавливаете buffer_size равным размеру выборок данных. Таким образом, он берет все выборки [в данном случае 14,224] в первичной памяти и выбирает случайную из них. Если вы установите его на 10, он возьмет 10 сэмплов из памяти и выберет случайный из этих 10 сэмплов, а затем повторите его для других оставшихся примеров.Итак, проверьте возможности своей машины и найдите золотую середину.

BATCH_SIZE используется для разделения набора данных на мини-пакеты для обучения. Чем выше это значение, тем быстрее будет процесс обучения. Но, как вы уже могли догадаться, больший размер партии означает большую нагрузку на машину.

Теперь, если вы посмотрите на набор данных, у вас есть одно изображение размером 1024×512 пикселей для одной записи, которое имеет цветное изображение размером 512×512 пикселей слева и черно-белое изображение эскиза размером 512×512 пикселей в верно.

Мы определим функцию load () , которая принимает путь к изображению в качестве параметра и возвращает input_image , который является черно-белым эскизом, который мы в качестве входных данных для модели и real_image , который является цветным изображением, которое мы хотим.

Предварительная обработка

Теперь, когда у нас есть загруженные данные, нам нужно выполнить некоторую предварительную обработку, чтобы подготовить данные для модели.

Ниже приведены несколько простых функций, используемых для этой цели.

Функция resize () используется для возврата изображений размером 286×286 пикселей. Это делается для того, чтобы иметь одинаковый размер изображения, если случайно в наборе данных есть изображение другого размера. И уменьшение размера с 512×512 пикселей до половины также помогает ускорить обучение модели, поскольку она менее тяжелая в вычислительном отношении.

Функция random_crop () возвращает обрезанные входные и реальные изображения с желаемым размером 256×256 пикселей.

normalize () Функция, как следует из названия, нормализует изображения до [-1, 1].

В показанной выше функции random_jitter () все предыдущие функции предварительной обработки объединяются, а случайные изображения переворачиваются по горизонтали. Вы можете увидеть, что возвращает предварительная обработка данных, из изображений, представленных ниже.

Загрузка данных обучения и тестирования

load_image_train () Функция используется для объединения всех ранее просмотренных функций и вывода окончательного предварительно обработанного изображения.

tf.data.Dataset.list_files () собирает путь ко всем файлам png, доступным в папке train / набора данных. Затем набор этих путей сопоставляется, и каждый путь отправляется индивидуально в качестве аргумента функции load_image_train () , которая возвращает окончательное предварительно обработанное изображение и добавляет его в набор train_dataset .

Наконец, этот набор train_dataset перемешивается с использованием BUFFER_SIZE и затем разделяется на мини-пакеты, как обсуждалось ранее.

Чтобы загрузить тестовый набор данных, мы будем использовать аналогичный процесс, за исключением небольшого изменения. Здесь мы опускаем функции random_crop () и random_jitter () , поскольку нет необходимости делать это для проверки результатов. Кроме того, мы можем не перетасовать набор данных по той же причине.

Построение модели генератора

Давайте теперь построим модель генератора, которая берет входное черно-белое изображение эскиза размером 256×256 пикселей и выводит изображение, которое, надеюсь, похоже на цветное наземное истинное изображение в наборе обучающих данных.

Модель Generator является архитектурной моделью UNet и имеет пропускные подключения к другим уровням, кроме промежуточного. Обратите внимание, что становится сложно разработать такую ​​архитектуру, так как выходная и входная формы должны соответствовать соединенным слоям, поэтому продумайте это тщательно.

Стек слоев понижающей дискретизации имеет сверточные слои, которые приводят к уменьшению размера входного изображения. И как только уменьшенное изображение проходит через стек слоев с повышающей дискретизацией, который имеет своего рода «обратные» сверточные слои, размер восстанавливается до 256×256 пикселей.Следовательно, выход модели генератора представляет собой изображение размером 256×256 пикселей с 3 выходными каналами.

Вы можете взглянуть на краткую информацию о модели, которая приведена ниже. Сводка модели

Построение модели дискриминатора

Основная цель модели дискриминатора — выяснить, какое изображение взято из фактического набора обучающих данных, а какое является выходным результатом модели генератора.

Вы можете взглянуть на краткое описание модели Дискриминатора, приведенное ниже.Это не так сложно, как модель Генератора, поскольку ее фундаментальная задача — просто классифицировать настоящие и поддельные изображения. Сводка модели дискриминатора

для моделей

Поскольку у нас есть две модели, нам потребуются две разные функции потерь для независимого расчета их потерь.

Потери для генератора вычисляются путем нахождения сигмовидной кросс-энтропии потерь на выходе генератора и массива единиц. Это означает, что мы обучаем его, чтобы обмануть дискриминатор, выводя значение как 1, что означает, что это реальное изображение.Кроме того, чтобы результат был структурно подобен целевому изображению, мы берем потери L1 вместе с ним. Авторы оригинальной статьи предлагают оставить значение LAMBDA равным 100.

Для потери дискриминатора мы берем ту же сигмовидную кросс-энтропийную потерю реальных изображений и массива единиц и складываем ее с кросс-энтропийной потерей выходных изображений модели генератора и массива нулей.

Оптимизаторы

Оптимизаторы — это алгоритмы или методы, используемые для изменения атрибутов вашей нейронной сети, таких как веса и скорость обучения, с целью уменьшения потерь.Adam Optimizer — один из лучших в большинстве случаев использования.

Создание контрольных точек

Как обсуждалось ранее, облачные среды имеют определенный тайм-аут, который может прервать процесс обучения. Кроме того, если вы используете свою локальную систему, могут возникнуть ситуации, когда обучение может быть прервано по каким-либо причинам.

GAN требует очень много времени для обучения и требует больших вычислительных ресурсов. Таким образом, лучше всего сохранять контрольные точки через регулярные промежутки времени, чтобы вы могли восстановить последнюю контрольную точку и продолжить оттуда, не теряя ранее выполненную тяжелую работу на ваших машинах.

Отображение выходных изображений

Приведенный выше блок кода представляет собой базовую функцию Python, которая использует модуль pyplot из библиотеки matplotlib для отображения изображений, предсказанных моделью генератора.

Регистрация потерь

Вы можете регистрировать важные метрики, такие как потери, в файле, чтобы вы могли анализировать их в процессе обучения с помощью таких инструментов, как Tensorboard.

Шаг поезда

Базовый шаг поезда будет состоять из следующих процессов:

• Генератор выводит прогноз
• Модель дискриминатора спроектирована так, чтобы иметь 2 входа одновременно. Впервые ему дается исходное изображение эскиза и сгенерированное изображение. В следующий раз ему дается реальное целевое изображение и сгенерированное изображение.
• Теперь рассчитываются потери генератора и дискриминатора.
• Затем градиенты вычисляются на основе потерь и применяются к оптимизаторам, чтобы помочь генератору создать лучшее изображение, а также помочь дискриминатору обнаружить реальное и сгенерированное изображение с более глубоким пониманием.
• Все потери регистрируются с использованием summary_writer , определенного ранее с помощью tf.summary .

Model.fit ()

TensorFlow — потрясающая, простая в использовании структура для обучения моделей. И одна маленькая команда вроде model.fit () творит за нас чудеса.

К сожалению, здесь это не будет работать напрямую, поскольку мы создали две модели, которые работают вместе. Но сделать это тоже довольно просто.

Здесь мы перебираем каждую эпоху и назначаем относительное время переменной start .Затем мы отображаем пример изображения, сгенерированного генератором модели. Этот пример помогает нам визуализировать, как генератор с каждой эпохой становится лучше при создании более цветных изображений. Затем мы вызываем функцию train_step , чтобы модель училась на рассчитанных потерях и градиентах. И наконец, мы проверяем, делится ли номер эпохи на 5, чтобы сохранить контрольную точку. Это означает, что мы сохраняем контрольную точку после завершения каждых 5 эпох обучения. После того, как вся эта эпоха завершена, время начала вычитается из окончательного относительного времени для подсчета времени, затраченного на эту конкретную эпоху.

Все, что нам нужно сделать сейчас, это запустить эту единственную строку кода и дождаться, пока Модель сама сделает свое волшебство. Что ж, давайте не будем отдавать должное модели, мы проделали много тяжелой работы, и пора увидеть результаты.

Восстановление последней контрольной точки

Прежде чем двигаться дальше, мы должны восстановить последнюю доступную контрольную точку, чтобы загрузить последнюю версию обученной модели перед ее тестированием на изображениях.

Выходные данные тестирования

Это случайным образом выбирает 5 изображений из test_dataset и вводит их по отдельности в модель генератора. Теперь модель достаточно хорошо обучена и предсказывает почти идеальные цветные версии исходных изображений эскиза.

Сохранение модели

Давайте не будем убивать модель сразу после того, как проделали столько работы, верно?

Модель не должна заканчиваться в ноутбуке Jupyter!
— Правильно сказано Даниэлем Бурком

Для сохранения всей модели в виде файла.H5, который поддерживается моделями Keras.

Итак, готово!

Мы не только видели, как работает условная GAN, но и успешно реализовали ее для прогнозирования цветных изображений на основе заданных черно-белых изображений входного эскиза.

Вы можете просмотреть весь код и загрузить его, чтобы увидеть, как он работает в вашей системе, из моего репозитория GitHub .