[深度學習][Python]DCGAN訓練生成手寫阿拉伯數字_生成篇

呈上篇介紹如何訓練模型，此篇就主要介紹如何利用訓練好的模型來生成圖片

[深度學習][Python]DCGAN訓練生成手寫阿拉伯數字_訓練篇

生成的結果

生成的圖片大小會根據，當初設置的生成器輸出大小來決定，當你使用生成對抗網絡（GAN）生成圖像時，生成器模型的最後一層通常會決定生成圖像的大小和通道數。

Python及套件版本

Python version: 3.11.3
NumPy version: 1.24.2
Matplotlib version: 3.7.1
tensorflow version: 2.13.0

程式碼

• 載入模型： 使用 load_model 函數從指定的路徑載入預訓練的生成模型（GAN 模型）。
• 生成雜訊向量： 使用 tf.random.normal 生成隨機雜訊向量。
• 生成圖像： 通過生成模型（generator）來生成圖像。
• 顯示圖像： 使用 plot_multiple_images 函數顯示生成的圖像。

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow import keras
from keras.models import load_model

# 繪製生成圖像用
def plot_multiple_images (images, n=None):

    if images.shape [-1] == 1:
        images = np. squeeze (images, axis=-1)
    plt.figure(figsize=(n, 2)) 
    
    for i in range(n):
        plt.subplot(2, int(n/2), i + 1) 
        plt. imshow (images [i], cmap="binary") 
        plt.axis ("off")
    plt.show ()
    
# 載入模型
generator = load_model('載入模型')

noise_dim = 100                # 雜訊向量大小
num_examples_to_generate = 16  # 生成筆數

# 產生亂數(雜訊)
seed = tf.random.normal([num_examples_to_generate, noise_dim])
# 生成圖片 
generated_images = generator (seed)
# 顯示圖片​
plot_multiple_images (generated_images, 10)

生成器輸出大小

1. 模型設計： 生成器模型的設計會決定輸出的圖像大小。例如，如果你的生成器模型的最後一層使用了 Conv2D 層，則該層的輸出大小會決定生成的圖像的大小。
2. 維度調整： 在生成圖像之前，確保生成器的輸出形狀符合你的期望。例如，如果生成器輸出的圖像大小是 64x64 像素，那麼你應該在顯示這些圖像時使用 64x64 的維度進行重塑。