مثال 4: تولید چهره‌های جدید با VAE

VAE (Variational Autoencoder) می‌تواند توزیع نهفته داده‌ها را یاد بگیرد و چهره‌های مصنوعی تولید کند.

اصلاح فرمول نمونه‌گیری در VAE

from tensorflow.keras.layers import Lambda

import tensorflow.keras.backend as K

:def sampling(args)

    mu, log_sigma = args

    epsilon = K.random_normal(shape=K.shape(mu), mean=0., stddev=1.0)

    return mu + K.exp(log_sigma) * epsilon

معماری VAE

latent_dim = 2  # دو بعد برای نمایش ویژگی‌های چهره

input_layer = Input(shape=(784,))

encoded = Dense(256, activation='relu')(input_layer)

encoded = Dense(128, activation='relu')(encoded)

mu = Dense(latent_dim)(encoded)

log_sigma = Dense(latent_dim)(encoded)

z = Lambda(sampling, output_shape=(latent_dim,))([mu, log_sigma])

decoded = Dense(128, activation='relu')(z)

decoded = Dense(256, activation='relu')(decoded)

decoded = Dense(784, activation='sigmoid')(decoded)

vae = Model(input_layer, decoded)

vae.compile(optimizer='adam', loss='binary_crossentropy')

ارزیابی کیفیت چهره‌های تولیدشده

·       FID (Fréchet Inception Distance)

·       KL Divergence برای سنجش کیفیت نمایش نهفته

 

from scipy.linalg import sqrtm

def calculate_fid(real_images, generated_images)

    mu1, sigma1 = np.mean(real_images, axis=0), np.cov(real_images, rowvar=False)

    mu2, sigma2 = np.mean(generated_images, axis=0), np.cov(generated_images, rowvar=False)

    fid = np.linalg.norm(mu1 - mu2) + np.trace(sigma1 + sigma2 - 2 * sqrtm(sigma1 @ sigma2))

    return fid

fid_score = calculate_fid(X_real, X_generated)

print(f"FID Score: {fid_score}")

کاهش FID نشان‌دهنده چهره‌های واقعی‌تر است.