 TensorFlow.org এ দেখুন |  Google Colab-এ চালান |  GitHub এ দেখুন |  নোটবুক ডাউনলোড করুন |  TF হাব মডেল দেখুন |
এই নোটবুক BigBiGAN মডেলের এ উপলব্ধ জন্য একটি ডেমো হয় মেমরি হাব ।
BigBiGAN একটি এনকোডার মডিউল যা তত্ত্বাবধান ছাড়াই উপস্থাপনা শেখার জন্য ব্যবহার করা যেতে পারে যোগ করে মান (বড়) Gans প্রসারিত করে। সাধারণভাবে বলতে গেলে, এনকোডার inverts latents পূর্বাভাসের দ্বারা জেনারেটরের z দেওয়া বাস্তব তথ্য x । দেখুন arXiv উপর BigBiGAN কাগজ এই মডেল সম্পর্কে আরও তথ্যের জন্য [1]।
রানটাইমের সাথে সংযোগ করার পরে, এই নির্দেশাবলী অনুসরণ করে শুরু করুন:
- (ঐচ্ছিক) আপডেট নির্বাচিত
module_pathনীচের প্রথম কোড কক্ষে একটি ভিন্ন এনকোডার স্থাপত্য জন্য BigBiGAN জেনারেটরের লোড করা হয়নি। - রানটাইম> অনুক্রমে প্রতিটি কক্ষে চালনা করার জন্য চালান ক্লিক করুন। পরে, BigBiGAN নমুনা এবং পুনর্গঠনের ভিজ্যুয়ালাইজেশন সহ আউটপুটগুলি স্বয়ংক্রিয়ভাবে নীচে প্রদর্শিত হবে।
[১] জেফ ডোনাহু এবং কারেন সিমোনিয়ান। বড় স্কেল adversarial প্রতিনিধিত্ব শিক্ষণ । arXiv: 1907,02544, 2019।
প্রথমে, মডিউল পাথ সেট করুন। ডিফল্টভাবে, আমরা থেকে ক্ষুদ্রতর ResNet-50-ভিত্তিক এনকোডার সঙ্গে BigBiGAN মডেল লোড <a href="https://tfhub.dev/deepmind/bigbigan-resnet50/1">https://tfhub.dev/deepmind/bigbigan-resnet50/1</a> । বৃহত্তর RevNet-50 X4 ভিত্তিক সেরা উপস্থাপনা শেখার ফলাফল অর্জন করার জন্য ব্যবহার করা মডেল, আউট সক্রিয় মন্তব্য লোড করতে module_path সেটিং এবং uncomment অন্যান্য।
module_path = 'https://tfhub.dev/deepmind/bigbigan-resnet50/1' # ResNet-50
# module_path = 'https://tfhub.dev/deepmind/bigbigan-revnet50x4/1' # RevNet-50 x4
সেটআপ
import io
import IPython.display
import PIL.Image
from pprint import pformat
import numpy as np
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
import tensorflow_hub as hub
WARNING:tensorflow:From /tmpfs/src/tf_docs_env/lib/python3.7/site-packages/tensorflow/python/compat/v2_compat.py:111: disable_resource_variables (from tensorflow.python.ops.variable_scope) is deprecated and will be removed in a future version. Instructions for updating: non-resource variables are not supported in the long term
ছবি প্রদর্শনের জন্য কিছু ফাংশন সংজ্ঞায়িত করুন
def imgrid(imarray, cols=4, pad=1, padval=255, row_major=True):
"""Lays out a [N, H, W, C] image array as a single image grid."""
pad = int(pad)
if pad < 0:
raise ValueError('pad must be non-negative')
cols = int(cols)
assert cols >= 1
N, H, W, C = imarray.shape
rows = N // cols + int(N % cols != 0)
batch_pad = rows * cols - N
assert batch_pad >= 0
post_pad = [batch_pad, pad, pad, 0]
pad_arg = [[0, p] for p in post_pad]
imarray = np.pad(imarray, pad_arg, 'constant', constant_values=padval)
H += pad
W += pad
grid = (imarray
.reshape(rows, cols, H, W, C)
.transpose(0, 2, 1, 3, 4)
.reshape(rows*H, cols*W, C))
if pad:
grid = grid[:-pad, :-pad]
return grid
def interleave(*args):
"""Interleaves input arrays of the same shape along the batch axis."""
if not args:
raise ValueError('At least one argument is required.')
a0 = args[0]
if any(a.shape != a0.shape for a in args):
raise ValueError('All inputs must have the same shape.')
if not a0.shape:
raise ValueError('Inputs must have at least one axis.')
out = np.transpose(args, [1, 0] + list(range(2, len(a0.shape) + 1)))
out = out.reshape(-1, *a0.shape[1:])
return out
def imshow(a, format='png', jpeg_fallback=True):
"""Displays an image in the given format."""
a = a.astype(np.uint8)
data = io.BytesIO()
PIL.Image.fromarray(a).save(data, format)
im_data = data.getvalue()
try:
disp = IPython.display.display(IPython.display.Image(im_data))
except IOError:
if jpeg_fallback and format != 'jpeg':
print ('Warning: image was too large to display in format "{}"; '
'trying jpeg instead.').format(format)
return imshow(a, format='jpeg')
else:
raise
return disp
def image_to_uint8(x):
"""Converts [-1, 1] float array to [0, 255] uint8."""
x = np.asarray(x)
x = (256. / 2.) * (x + 1.)
x = np.clip(x, 0, 255)
x = x.astype(np.uint8)
return x
একটি BigBiGAN TF হাব মডিউল লোড করুন এবং এর উপলব্ধ কার্যকারিতা প্রদর্শন করুন
# module = hub.Module(module_path, trainable=True, tags={'train'}) # training
module = hub.Module(module_path) # inference
for signature in module.get_signature_names():
print('Signature:', signature)
print('Inputs:', pformat(module.get_input_info_dict(signature)))
print('Outputs:', pformat(module.get_output_info_dict(signature)))
print()
Signature: default
Inputs: {'x': <hub.ParsedTensorInfo shape=(?, 256, 256, 3) dtype=float32 is_sparse=False>}
Outputs: {'default': <hub.ParsedTensorInfo shape=(?, 120) dtype=float32 is_sparse=False>}
Signature: generate
Inputs: {'z': <hub.ParsedTensorInfo shape=(?, 120) dtype=float32 is_sparse=False>}
Outputs: {'default': <hub.ParsedTensorInfo shape=(?, 128, 128, 3) dtype=float32 is_sparse=False>,
'upsampled': <hub.ParsedTensorInfo shape=(?, 256, 256, 3) dtype=float32 is_sparse=False>}
Signature: discriminate
Inputs: {'x': <hub.ParsedTensorInfo shape=(?, 128, 128, 3) dtype=float32 is_sparse=False>,
'z': <hub.ParsedTensorInfo shape=(?, 120) dtype=float32 is_sparse=False>}
Outputs: {'score_x': <hub.ParsedTensorInfo shape=(?,) dtype=float32 is_sparse=False>,
'score_xz': <hub.ParsedTensorInfo shape=(?,) dtype=float32 is_sparse=False>,
'score_z': <hub.ParsedTensorInfo shape=(?,) dtype=float32 is_sparse=False>}
Signature: encode
Inputs: {'x': <hub.ParsedTensorInfo shape=(?, 256, 256, 3) dtype=float32 is_sparse=False>}
Outputs: {'avepool_feat': <hub.ParsedTensorInfo shape=(?, 2048) dtype=float32 is_sparse=False>,
'bn_crelu_feat': <hub.ParsedTensorInfo shape=(?, 4096) dtype=float32 is_sparse=False>,
'default': <hub.ParsedTensorInfo shape=(?, 120) dtype=float32 is_sparse=False>,
'z_mean': <hub.ParsedTensorInfo shape=(?, 120) dtype=float32 is_sparse=False>,
'z_sample': <hub.ParsedTensorInfo shape=(?, 120) dtype=float32 is_sparse=False>,
'z_stdev': <hub.ParsedTensorInfo shape=(?, 120) dtype=float32 is_sparse=False>}
বিভিন্ন ফাংশনে সুবিধাজনক অ্যাক্সেসের জন্য একটি মোড়ক শ্রেণী সংজ্ঞায়িত করুন
class BigBiGAN(object):
def __init__(self, module):
"""Initialize a BigBiGAN from the given TF Hub module."""
self._module = module
def generate(self, z, upsample=False):
"""Run a batch of latents z through the generator to generate images.
Args:
z: A batch of 120D Gaussian latents, shape [N, 120].
Returns: a batch of generated RGB images, shape [N, 128, 128, 3], range
[-1, 1].
"""
outputs = self._module(z, signature='generate', as_dict=True)
return outputs['upsampled' if upsample else 'default']
def make_generator_ph(self):
"""Creates a tf.placeholder with the dtype & shape of generator inputs."""
info = self._module.get_input_info_dict('generate')['z']
return tf.placeholder(dtype=info.dtype, shape=info.get_shape())
def gen_pairs_for_disc(self, z):
"""Compute generator input pairs (G(z), z) for discriminator, given z.
Args:
z: A batch of latents (120D standard Gaussians), shape [N, 120].
Returns: a tuple (G(z), z) of discriminator inputs.
"""
# Downsample 256x256 image x for 128x128 discriminator input.
x = self.generate(z)
return x, z
def encode(self, x, return_all_features=False):
"""Run a batch of images x through the encoder.
Args:
x: A batch of data (256x256 RGB images), shape [N, 256, 256, 3], range
[-1, 1].
return_all_features: If True, return all features computed by the encoder.
Otherwise (default) just return a sample z_hat.
Returns: the sample z_hat of shape [N, 120] (or a dict of all features if
return_all_features).
"""
outputs = self._module(x, signature='encode', as_dict=True)
return outputs if return_all_features else outputs['z_sample']
def make_encoder_ph(self):
"""Creates a tf.placeholder with the dtype & shape of encoder inputs."""
info = self._module.get_input_info_dict('encode')['x']
return tf.placeholder(dtype=info.dtype, shape=info.get_shape())
def enc_pairs_for_disc(self, x):
"""Compute encoder input pairs (x, E(x)) for discriminator, given x.
Args:
x: A batch of data (256x256 RGB images), shape [N, 256, 256, 3], range
[-1, 1].
Returns: a tuple (downsample(x), E(x)) of discriminator inputs.
"""
# Downsample 256x256 image x for 128x128 discriminator input.
x_down = tf.nn.avg_pool(x, ksize=2, strides=2, padding='SAME')
z = self.encode(x)
return x_down, z
def discriminate(self, x, z):
"""Compute the discriminator scores for pairs of data (x, z).
(x, z) must be batches with the same leading batch dimension, and joint
scores are computed on corresponding pairs x[i] and z[i].
Args:
x: A batch of data (128x128 RGB images), shape [N, 128, 128, 3], range
[-1, 1].
z: A batch of latents (120D standard Gaussians), shape [N, 120].
Returns:
A dict of scores:
score_xz: the joint scores for the (x, z) pairs.
score_x: the unary scores for x only.
score_z: the unary scores for z only.
"""
inputs = dict(x=x, z=z)
return self._module(inputs, signature='discriminate', as_dict=True)
def reconstruct_x(self, x, use_sample=True, upsample=False):
"""Compute BigBiGAN reconstructions of images x via G(E(x)).
Args:
x: A batch of data (256x256 RGB images), shape [N, 256, 256, 3], range
[-1, 1].
use_sample: takes a sample z_hat ~ E(x). Otherwise, deterministically
use the mean. (Though a sample z_hat may be far from the mean z,
typically the resulting recons G(z_hat) and G(z) are very
similar.
upsample: if set, upsample the reconstruction to the input resolution
(256x256). Otherwise return the raw lower resolution generator output
(128x128).
Returns: a batch of recons G(E(x)), shape [N, 256, 256, 3] if
`upsample`, otherwise [N, 128, 128, 3].
"""
if use_sample:
z = self.encode(x)
else:
z = self.encode(x, return_all_features=True)['z_mean']
recons = self.generate(z, upsample=upsample)
return recons
def losses(self, x, z):
"""Compute per-module BigBiGAN losses given data & latent sample batches.
Args:
x: A batch of data (256x256 RGB images), shape [N, 256, 256, 3], range
[-1, 1].
z: A batch of latents (120D standard Gaussians), shape [M, 120].
For the original BigBiGAN losses, pass batches of size N=M=2048, with z's
sampled from a 120D standard Gaussian (e.g., np.random.randn(2048, 120)),
and x's sampled from the ImageNet (ILSVRC2012) training set with the
"ResNet-style" preprocessing from:
https://github.com/tensorflow/tpu/blob/master/models/official/resnet/resnet_preprocessing.py
Returns:
A dict of per-module losses:
disc: loss for the discriminator.
enc: loss for the encoder.
gen: loss for the generator.
"""
# Compute discriminator scores on (x, E(x)) pairs.
# Downsample 256x256 image x for 128x128 discriminator input.
scores_enc_x_dict = self.discriminate(*self.enc_pairs_for_disc(x))
scores_enc_x = tf.concat([scores_enc_x_dict['score_xz'],
scores_enc_x_dict['score_x'],
scores_enc_x_dict['score_z']], axis=0)
# Compute discriminator scores on (G(z), z) pairs.
scores_gen_z_dict = self.discriminate(*self.gen_pairs_for_disc(z))
scores_gen_z = tf.concat([scores_gen_z_dict['score_xz'],
scores_gen_z_dict['score_x'],
scores_gen_z_dict['score_z']], axis=0)
disc_loss_enc_x = tf.reduce_mean(tf.nn.relu(1. - scores_enc_x))
disc_loss_gen_z = tf.reduce_mean(tf.nn.relu(1. + scores_gen_z))
disc_loss = disc_loss_enc_x + disc_loss_gen_z
enc_loss = tf.reduce_mean(scores_enc_x)
gen_loss = tf.reduce_mean(-scores_gen_z)
return dict(disc=disc_loss, enc=enc_loss, gen=gen_loss)
নমুনা, পুনর্গঠন, বৈষম্যকারী স্কোর এবং ক্ষতির জন্য পরে ব্যবহার করার জন্য টেনসর তৈরি করুন
bigbigan = BigBiGAN(module)
# Make input placeholders for x (`enc_ph`) and z (`gen_ph`).
enc_ph = bigbigan.make_encoder_ph()
gen_ph = bigbigan.make_generator_ph()
# Compute samples G(z) from encoder input z (`gen_ph`).
gen_samples = bigbigan.generate(gen_ph)
# Compute reconstructions G(E(x)) of encoder input x (`enc_ph`).
recon_x = bigbigan.reconstruct_x(enc_ph, upsample=True)
# Compute encoder features used for representation learning evaluations given
# encoder input x (`enc_ph`).
enc_features = bigbigan.encode(enc_ph, return_all_features=True)
# Compute discriminator scores for encoder pairs (x, E(x)) given x (`enc_ph`)
# and generator pairs (G(z), z) given z (`gen_ph`).
disc_scores_enc = bigbigan.discriminate(*bigbigan.enc_pairs_for_disc(enc_ph))
disc_scores_gen = bigbigan.discriminate(*bigbigan.gen_pairs_for_disc(gen_ph))
# Compute losses.
losses = bigbigan.losses(enc_ph, gen_ph)
INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore INFO:tensorflow:Saver not created because there are no variables in the graph to restore
একটি টেনসরফ্লো সেশন তৈরি করুন এবং ভেরিয়েবল শুরু করুন
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
জেনারেটরের নমুনা
প্রথমত, আমরা স্যাম্পলিং জেনারেটরের ইনপুট দ্বারা pretrained BigBiGAN জেনারেটর থেকে নমুনা ঠাহর করব z একটি প্রমিত গসিয়ান থেকে (মাধ্যমে np.random.randn ) এবং ইমেজ এটা উৎপন্ন প্রদর্শন। এখন পর্যন্ত আমরা একটি স্ট্যান্ডার্ড GAN এর ক্ষমতার বাইরে যাচ্ছি না -- আমরা এখন শুধু জেনারেটর ব্যবহার করছি (এবং এনকোডার উপেক্ষা করছি)।
feed_dict = {gen_ph: np.random.randn(32, 120)}
_out_samples = sess.run(gen_samples, feed_dict=feed_dict)
print('samples shape:', _out_samples.shape)
imshow(imgrid(image_to_uint8(_out_samples), cols=4))
samples shape: (32, 128, 128, 3)
লোড test_images মেমরি-ফুল ডেটা সেটটি থেকে
BigBiGAN ইমেজনেট-এ প্রশিক্ষিত, কিন্তু এই ডেমোতে কাজ করার জন্য এটি খুব বড় হওয়ায়, আমরা পুনর্গঠন এবং এনকোডার বৈশিষ্ট্যগুলি কম্পিউট করার জন্য আমাদের ইনপুট হিসাবে ছোট TF-ফ্লাওয়ারস [1] ডেটাসেট ব্যবহার করি।
এই কক্ষটি আমরা মেমরি-ফুল (ডেটা সেটটি প্রয়োজনে ডাউনলোড করার) লোড এবং NumPy অ্যারের মধ্যে 256x256 আরজিবি ইমেজ নমুনার একটি নির্দিষ্ট ব্যাচ সংরক্ষণ test_images ।
[1] https://www.tensorflow.org/datasets/catalog/tf_flowers
def get_flowers_data():
"""Returns a [32, 256, 256, 3] np.array of preprocessed TF-Flowers samples."""
import tensorflow_datasets as tfds
ds, info = tfds.load('tf_flowers', split='train', with_info=True)
# Just get the images themselves as we don't need labels for this demo.
ds = ds.map(lambda x: x['image'])
# Filter out small images (with minor edge length <256).
ds = ds.filter(lambda x: tf.reduce_min(tf.shape(x)[:2]) >= 256)
# Take the center square crop of the image and resize to 256x256.
def crop_and_resize(image):
imsize = tf.shape(image)[:2]
minor_edge = tf.reduce_min(imsize)
start = (imsize - minor_edge) // 2
stop = start + minor_edge
cropped_image = image[start[0] : stop[0], start[1] : stop[1]]
resized_image = tf.image.resize_bicubic([cropped_image], [256, 256])[0]
return resized_image
ds = ds.map(crop_and_resize)
# Convert images from [0, 255] uint8 to [-1, 1] float32.
ds = ds.map(lambda image: tf.cast(image, tf.float32) / (255. / 2.) - 1)
# Take the first 32 samples.
ds = ds.take(32)
return np.array(list(tfds.as_numpy(ds)))
test_images = get_flowers_data()
2021-11-05 12:42:36.340550: W tensorflow/core/kernels/data/cache_dataset_ops.cc:768] The calling iterator did not fully read the dataset being cached. In order to avoid unexpected truncation of the dataset, the partially cached contents of the dataset will be discarded. This can happen if you have an input pipeline similar to `dataset.cache().take(k).repeat()`. You should use `dataset.take(k).cache().repeat()` instead.
পুনর্গঠন
এখন আমরা এনকোডার এবং ফিরে জেনারেটরের মাধ্যমে মাধ্যমে বাস্তব চিত্র ক্ষণস্থায়ী দ্বারা BigBiGAN পুনর্গঠন ঠাহর, কম্পিউটিং G(E(x)) প্রদত্ত ইমেজ x । নীচে, ইনপুট ইমেজ x বাম কলামে দেখানো হয়, এবং সংশ্লিষ্ট পুনর্গঠন ডান দিকে দেখানো হয়।
মনে রাখবেন যে পুনর্গঠনগুলি ইনপুট চিত্রগুলির সাথে পিক্সেল-নিখুঁত মিল নয়; বরং, তারা ইনপুটের উচ্চ স্তরের শব্দার্থক বিষয়বস্তু ক্যাপচার করার প্রবণতা রাখে যখন বেশিরভাগ নিম্ন-স্তরের বিবরণ "ভুলে যায়"। এটি প্রস্তাব করে যে BigBiGAN এনকোডার চিত্র সম্পর্কে উচ্চ স্তরের শব্দার্থিক তথ্যের ধরনগুলি ক্যাপচার করতে শিখতে পারে যা আমরা একটি উপস্থাপনা শেখার পদ্ধতিতে দেখতে চাই।
এছাড়াও মনে রাখবেন যে 256x256 ইনপুট চিত্রগুলির কাঁচা পুনর্গঠনগুলি আমাদের জেনারেটর দ্বারা উত্পাদিত নিম্ন রেজোলিউশনে রয়েছে -- 128x128৷ আমরা ভিজ্যুয়ালাইজেশন উদ্দেশ্যে তাদের upsample.
test_images_batch = test_images[:16]
_out_recons = sess.run(recon_x, feed_dict={enc_ph: test_images_batch})
print('reconstructions shape:', _out_recons.shape)
inputs_and_recons = interleave(test_images_batch, _out_recons)
print('inputs_and_recons shape:', inputs_and_recons.shape)
imshow(imgrid(image_to_uint8(inputs_and_recons), cols=2))
reconstructions shape: (16, 256, 256, 3) inputs_and_recons shape: (32, 256, 256, 3)
এনকোডার বৈশিষ্ট্য
আমরা এখন প্রদর্শন করি কিভাবে স্ট্যান্ডার্ড উপস্থাপনা শেখার মূল্যায়নের জন্য ব্যবহৃত এনকোডার থেকে বৈশিষ্ট্যগুলি গণনা করা যায়।
এই বৈশিষ্ট্যগুলি একটি রৈখিক বা নিকটতম প্রতিবেশী-ভিত্তিক শ্রেণীবিভাগে ব্যবহার করা যেতে পারে। আমরা বিশ্বব্যাপী গড় পুলিং (কী পরে তোলা প্রমিত বৈশিষ্ট্য অন্তর্ভুক্ত avepool_feat ) পাশাপাশি বৃহত্তর "বিএন + + CReLU" বৈশিষ্ট্য (কী bn_crelu_feat ) ভাল ফলাফলের অর্জন করতেন।
_out_features = sess.run(enc_features, feed_dict={enc_ph: test_images_batch})
print('AvePool features shape:', _out_features['avepool_feat'].shape)
print('BN+CReLU features shape:', _out_features['bn_crelu_feat'].shape)
AvePool features shape: (16, 2048) BN+CReLU features shape: (16, 4096)
বৈষম্যকারী স্কোর এবং ক্ষতি
অবশেষে, আমরা এনকোডার এবং জেনারেটর জোড়ার ব্যাচগুলিতে বৈষম্যকারী স্কোর এবং ক্ষতি গণনা করব। এই ক্ষতিগুলি বিগবিগানকে প্রশিক্ষণের জন্য একটি অপ্টিমাইজার হিসাবে প্রেরণ করা যেতে পারে।
আমরা উপরে যেমন এনকোডার ইনপুট ইমেজ আমাদের ব্যাচ ব্যবহার x , যেমন এনকোডার স্কোর কম্পিউটিং D(x, E(x)) জেনারেটরের ইনপুট আমরা নমুনার জন্য z থেকে একটি 120D মান গসিয়ান মাধ্যমে np.random.randn , যেমন জেনারেটর স্কোর কম্পিউটিং D(G(z), z) ।
Discriminator যৌথ স্কোর অনুমান score_xz জন্য (x, z) ইউনারী স্কোর সেইসাথে জোড়া score_x এবং score_z জন্য x এবং z একা যথাক্রমে। এটি এনকোডার জোড়াকে উচ্চ (পজিটিভ) স্কোর এবং জেনারেটর জোড়াকে কম (নেতিবাচক) স্কোর দিতে প্রশিক্ষিত। অধিকাংশ ক্ষেত্রে এই নিচে ঝুলিতে, যদিও ইউনারী score_z উভয় ক্ষেত্রেই নেতিবাচক, যা নির্দেশ করে এনকোডার আউটপুট E(x) একটি গসিয়ান থেকে প্রকৃত নমুনার মিল।
feed_dict = {enc_ph: test_images, gen_ph: np.random.randn(32, 120)}
_out_scores_enc, _out_scores_gen, _out_losses = sess.run(
[disc_scores_enc, disc_scores_gen, losses], feed_dict=feed_dict)
print('Encoder scores:', {k: v.mean() for k, v in _out_scores_enc.items()})
print('Generator scores:', {k: v.mean() for k, v in _out_scores_gen.items()})
print('Losses:', _out_losses)
Encoder scores: {'score_xz': 0.6921617, 'score_z': -0.50248873, 'score_x': 1.4621685}
Generator scores: {'score_xz': -0.8883822, 'score_z': -0.45992172, 'score_x': -0.5907474}
Losses: {'disc': 1.2274433, 'enc': 0.55200976, 'gen': 0.64635044}