Итак, у меня есть куча поддельных (размытых) изображений, которые я пытаюсь «исправить», чтобы они выглядели неотличимыми от их реальных (не размытых) аналогов. У меня много партий, и я не знаю, как бы вы провели перекрестную проверку, когда дело доходит до GAN в керасе.
Для простой нейронной сети это невероятно просто, как видно из документации:
model.fit(X, Y, validation_split=0.33, epochs=15, batch_size=100)
Однако я пытаюсь сделать это для GAN, который, кажется, не имеет простой способ ...
Ниже приведены мои части текущего кода (это больше похоже на псевдокод), для которого я хотел бы применить перекрестную проверку:
for batch in batches:
# generate images
imgs_gen = generator.predict(imgs_fake)
# train discriminator
# imgs_all contains generated images and real images, the their corresponding "0" for fake and "1" for real is in corresponding_labels
discriminator.train_on_batch(imgs_all, corresponding_labels)
# train combined model
# 'valid' is an array of 1's so I can trick the gan to make fake images look like real images. There are two things in the bracket becuase of the way I designed my loss function
combined.train_on_batch(imgs_fake, [imgs_real, valid])
Кто-нибудь знает, как Я бы концептуально сделал это для ГАН? Я просмотрел inte rnet и не нашел никого, кто бы делал перекрестную проверку GAN в keras.
Заранее спасибо!