def main():
parser = argparse.ArgumentParser()
parser.add_argument('image_dir', type=str)
parser.add_argument('--batch_size', '-bs', type=int, default=64)
parser.add_argument('--nb_epoch', '-e', type=int, default=1000)
parser.add_argument('--noise_dim', '-nd', type=int, default=128)
parser.add_argument('--height', '-ht', type=int, default=128)
parser.add_argument('--width', '-wd', type=int, default=128)
parser.add_argument('--save_steps', '-ss', type=int, default=10)
parser.add_argument('--visualize_steps', '-vs', type=int, default=10)
parser.add_argument('--lambda', '-l', type=float, default=10., dest='lmbd')
parser.add_argument('--initial_steps', '-is', type=int, default=20)
parser.add_argument('--initial_critics', '-sc', type=int, default=20)
parser.add_argument('--normal_critics', '-nc', type=int, default=5)
parser.add_argument('--model_dir', '-md', type=str, default="./params")
parser.add_argument('--result_dir', '-rd', type=str, default="./result")
parser.add_argument('--noise_mode', '-nm', type=str, default="uniform")
parser.add_argument('--upsampling', '-up', type=str, default="subpixel")
parser.add_argument('--dis_norm', '-dn', type=str, default=None)
args = parser.parse_args()
os.makedirs(args.result_dir, exist_ok=True)
os.makedirs(args.model_dir, exist_ok=True)
# output config to csv
config_path = os.path.join(args.result_dir, "config.csv")
dict_ = vars(args)
df = pd.DataFrame(list(dict_.items()), columns=['attr', 'status'])
df.to_csv(config_path, index=None)
input_shape = (args.height, args.width, 3)
image_sampler = ImageSampler(args.image_dir, target_size=input_shape[:2])
noise_sampler = NoiseSampler(args.noise_mode)
generator = Generator(args.noise_dim,
is_training=True,
upsampling=args.upsampling)
discriminator = Discriminator(input_shape,
is_training=True,
normalization=args.dis_norm)
wgan = WGAN(generator, discriminator, lambda_=args.lmbd, is_training=True)
wgan.fit(image_sampler.flow(args.batch_size),
noise_sampler,
nb_epoch=args.nb_epoch,
result_dir=args.result_dir,
model_dir=args.model_dir,
save_steps=args.save_steps,
visualize_steps=args.visualize_steps,
initial_steps=args.initial_steps,
initial_critics=args.initial_critics,
normal_critics=args.normal_critics)
def main():
parser = argparse.ArgumentParser()
parser.add_argument('--batch_size', '-bs', type=int, default=64)
parser.add_argument('--nb_epoch', '-e', type=int, default=1000)
parser.add_argument('--latent_dim', '-ld', type=int, default=2)
parser.add_argument('--height', '-ht', type=int, default=32)
parser.add_argument('--width', '-wd', type=int, default=32)
parser.add_argument('--channel', '-ch', type=int, default=1)
parser.add_argument('--save_steps', '-ss', type=int, default=10)
parser.add_argument('--visualize_steps', '-vs', type=int, default=10)
parser.add_argument('--model_dir', '-md', type=str, default="./params")
parser.add_argument('--result_dir', '-rd', type=str, default="./result")
parser.add_argument('--noise_mode', '-nm', type=str, default="normal")
args = parser.parse_args()
os.makedirs(args.result_dir, exist_ok=True)
os.makedirs(args.model_dir, exist_ok=True)
dump_config(os.path.join(args.result_dir, 'config.csv'), args)
input_shape = (args.height, args.width, args.channel)
image_sampler = ImageSampler(
target_size=(args.width, args.height),
color_mode='rgb' if args.channel == 3 else 'gray',
is_training=True)
noise_sampler = NoiseSampler(args.noise_mode)
autoencoder = AutoEncoder(
input_shape,
args.latent_dim,
is_training=True,
color_mode='rgb' if args.channel == 3 else 'gray')
discriminator = Discriminator(is_training=True)
aae = AAE(autoencoder, discriminator, is_training=True)
train_x, _ = load_mnist(mode='training')
aae.fit_generator(image_sampler.flow(train_x, batch_size=args.batch_size),
noise_sampler,
nb_epoch=args.nb_epoch,
save_steps=args.save_steps,
visualize_steps=args.visualize_steps,
result_dir=args.result_dir,
model_dir=args.model_dir)
def main():
parser = argparse.ArgumentParser()
parser.add_argument('--batch_size', '-bs', type=int, default=64)
parser.add_argument('--latent_dim', '-ld', type=int, default=2)
parser.add_argument('--height', '-ht', type=int, default=32)
parser.add_argument('--width', '-wd', type=int, default=32)
parser.add_argument('--channel', '-ch', type=int, default=1)
parser.add_argument('--model_path', '-mp', type=str, default="./params")
parser.add_argument('--result_dir', '-rd', type=str, default="./result")
args = parser.parse_args()
os.makedirs(args.result_dir, exist_ok=True)
input_shape = (args.height, args.width, args.channel)
autoencoder = AutoEncoder(
input_shape,
args.latent_dim,
is_training=False,
color_mode='rgb' if args.channel == 3 else 'gray')
discriminator = Discriminator(is_training=False)
aae = AAE(autoencoder, discriminator, is_training=False)
aae.restore(args.model_path)
test_x, test_y = load_mnist(mode='test')
image_sampler = ImageSampler(
target_size=(args.width, args.height),
color_mode='rgb' if args.channel == 3 else 'gray',
is_training=False)
encoded = aae.predict_latent_vectors_generator(
image_sampler.flow(test_x, shuffle=False))
df = pd.DataFrame({
'z_1': encoded[:, 0],
'z_2': encoded[:, 1],
'label': test_y
})
df.plot(kind='scatter', x='z_1', y='z_2', c='label', cmap='Set1', s=10)
plt.savefig(os.path.join(args.result_dir, 'scatter.png'))