এই পৃষ্ঠাটি Cloud Translation API অনুবাদ করেছে।

স্ক্র্যাচ থেকে একটি প্রশিক্ষণ লুপ রচনা

TensorFlow.org-এ দেখুন

Google Colab-এ চালান

GitHub-এ উৎস দেখুন

নোটবুক ডাউনলোড করুন

সেটআপ

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import numpy as np

ভূমিকা

Keras ডিফল্ট প্রশিক্ষণ ও মূল্যায়ন লুপ, উপলব্ধ fit() এবং evaluate() । সেগুলির ব্যবহার গাইডে আচ্ছাদিত করা হয় প্রশিক্ষণ ও বিল্ট-ইন পদ্ধতি মূল্যায়ন ।

আপনি আপনার মডেল শেখার আলগোরিদিম কাস্টমাইজ করতে এখনও সুবিধার ওঠানামা চান fit() (উদাহরণস্বরূপ, একটি GAN প্রশিক্ষণের ব্যবহার fit() ), আপনি উপশ্রেণী করতে Model বর্গ এবং আপনার নিজের বাস্তবায়ন train_step() পদ্ধতি, যা সময় বারবার বলা হয় fit() এই নির্দেশিকার আচ্ছাদিত করা হয় কাস্টমাইজ কি ঘটবে fit() ।

এখন, আপনি যদি প্রশিক্ষণ এবং মূল্যায়নের উপর খুব নিম্ন-স্তরের নিয়ন্ত্রণ চান, তাহলে আপনার নিজের প্রশিক্ষণ এবং মূল্যায়ন লুপগুলি স্ক্র্যাচ থেকে লিখতে হবে। এই এই গাইড সম্পর্কে কি.

ব্যবহার `GradientTape` : একটি প্রথম এন্ড-টু-এন্ড উদাহরণ

একটি মডেল কলিং ভিতরে GradientTape সুযোগ একটি ক্ষতি মান সম্মান সঙ্গে স্তর trainable ওজন গ্রেডিয়েন্ট উদ্ধার করতে সক্ষম করে। একটি অপটিমাইজার উদাহরণস্বরূপ ব্যবহার করে, আপনি এই ভেরিয়েবল (আপনি ব্যবহার উদ্ধার করতে পারেন যা আপডেট করার জন্য এই গ্রেডিয়েন্ট ব্যবহার করতে পারেন model.trainable_weights )।

আসুন একটি সাধারণ MNIST মডেল বিবেচনা করি:

inputs = keras.Input(shape=(784,), name="digits")
x1 = layers.Dense(64, activation="relu")(inputs)
x2 = layers.Dense(64, activation="relu")(x1)
outputs = layers.Dense(10, name="predictions")(x2)
model = keras.Model(inputs=inputs, outputs=outputs)

একটি কাস্টম প্রশিক্ষণ লুপ সহ মিনি-ব্যাচ গ্রেডিয়েন্ট ব্যবহার করে এটিকে প্রশিক্ষণ দেওয়া যাক।

প্রথমত, আমাদের একটি অপ্টিমাইজার, একটি লস ফাংশন এবং একটি ডেটাসেটের প্রয়োজন হবে:

# Instantiate an optimizer.
optimizer = keras.optimizers.SGD(learning_rate=1e-3)
# Instantiate a loss function.
loss_fn = keras.losses.SparseCategoricalCrossentropy(from_logits=True)

# Prepare the training dataset.
batch_size = 64
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
x_train = np.reshape(x_train, (-1, 784))
x_test = np.reshape(x_test, (-1, 784))

# Reserve 10,000 samples for validation.
x_val = x_train[-10000:]
y_val = y_train[-10000:]
x_train = x_train[:-10000]
y_train = y_train[:-10000]

# Prepare the training dataset.
train_dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train))
train_dataset = train_dataset.shuffle(buffer_size=1024).batch(batch_size)

# Prepare the validation dataset.
val_dataset = tf.data.Dataset.from_tensor_slices((x_val, y_val))
val_dataset = val_dataset.batch(batch_size)

Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
11493376/11490434 [==============================] - 1s 0us/step
11501568/11490434 [==============================] - 1s 0us/step

এখানে আমাদের প্রশিক্ষণ লুপ:

আমরা একটি খুলতে for লুপ যে সময়কাল ধরে iterates
প্রতিটি যুগে জন্য, আমরা একটি খোলা for লুপ যে iterates ডেটা সেটটি ধরে ব্যাচে
প্রতিটি ব্যাচ জন্য, আমরা একটি খোলা GradientTape() সুযোগ
এই সুযোগের ভিতরে, আমরা মডেলটিকে কল করি (ফরোয়ার্ড পাস) এবং ক্ষতি গণনা করি
সুযোগের বাইরে, আমরা ক্ষতির বিষয়ে মডেলের ওজনের গ্রেডিয়েন্ট পুনরুদ্ধার করি
অবশেষে, আমরা গ্রেডিয়েন্টের উপর ভিত্তি করে মডেলের ওজন আপডেট করতে অপ্টিমাইজার ব্যবহার করি

epochs = 2
for epoch in range(epochs):
    print("\nStart of epoch %d" % (epoch,))

    # Iterate over the batches of the dataset.
    for step, (x_batch_train, y_batch_train) in enumerate(train_dataset):

        # Open a GradientTape to record the operations run
        # during the forward pass, which enables auto-differentiation.
        with tf.GradientTape() as tape:

            # Run the forward pass of the layer.
            # The operations that the layer applies
            # to its inputs are going to be recorded
            # on the GradientTape.
            logits = model(x_batch_train, training=True)  # Logits for this minibatch

            # Compute the loss value for this minibatch.
            loss_value = loss_fn(y_batch_train, logits)

        # Use the gradient tape to automatically retrieve
        # the gradients of the trainable variables with respect to the loss.
        grads = tape.gradient(loss_value, model.trainable_weights)

        # Run one step of gradient descent by updating
        # the value of the variables to minimize the loss.
        optimizer.apply_gradients(zip(grads, model.trainable_weights))

        # Log every 200 batches.
        if step % 200 == 0:
            print(
                "Training loss (for one batch) at step %d: %.4f"
                % (step, float(loss_value))
            )
            print("Seen so far: %s samples" % ((step + 1) * batch_size))

Start of epoch 0
Training loss (for one batch) at step 0: 68.7478
Seen so far: 64 samples
Training loss (for one batch) at step 200: 1.9448
Seen so far: 12864 samples
Training loss (for one batch) at step 400: 1.1859
Seen so far: 25664 samples
Training loss (for one batch) at step 600: 0.6914
Seen so far: 38464 samples

Start of epoch 1
Training loss (for one batch) at step 0: 0.9113
Seen so far: 64 samples
Training loss (for one batch) at step 200: 0.9550
Seen so far: 12864 samples
Training loss (for one batch) at step 400: 0.5139
Seen so far: 25664 samples
Training loss (for one batch) at step 600: 0.7227
Seen so far: 38464 samples

মেট্রিক্সের নিম্ন-স্তরের হ্যান্ডলিং

এই বেসিক লুপে মেট্রিক্স মনিটরিং যোগ করা যাক।

আপনি স্ক্র্যাচ থেকে লেখা এই ধরনের প্রশিক্ষণ লুপে অন্তর্নির্মিত মেট্রিক্স (বা আপনার লেখা কাস্টমগুলি) সহজেই পুনরায় ব্যবহার করতে পারেন। এখানে প্রবাহ:

লুপের শুরুতে মেট্রিক ইনস্ট্যান্টিয়েট করুন
ফোন করুন metric.update_state() প্রতিটি ব্যাচ পরে
ফোন করুন metric.result() যখন আপনি মেট্রিক বর্তমান মূল্য প্রদর্শন করতে হবে
ফোন করুন metric.reset_states() যখন আপনি (সাধারণত একটি যুগান্তকারী শেষে) মেট্রিক রাজ্যের পরিষ্কার প্রয়োজন

এই জ্ঞান ব্যবহার গনা যাক SparseCategoricalAccuracy প্রতিটি যুগে শেষে বৈধতা ডেটার উপর:

# Get model
inputs = keras.Input(shape=(784,), name="digits")
x = layers.Dense(64, activation="relu", name="dense_1")(inputs)
x = layers.Dense(64, activation="relu", name="dense_2")(x)
outputs = layers.Dense(10, name="predictions")(x)
model = keras.Model(inputs=inputs, outputs=outputs)

# Instantiate an optimizer to train the model.
optimizer = keras.optimizers.SGD(learning_rate=1e-3)
# Instantiate a loss function.
loss_fn = keras.losses.SparseCategoricalCrossentropy(from_logits=True)

# Prepare the metrics.
train_acc_metric = keras.metrics.SparseCategoricalAccuracy()
val_acc_metric = keras.metrics.SparseCategoricalAccuracy()

এখানে আমাদের প্রশিক্ষণ এবং মূল্যায়ন লুপ:

import time

epochs = 2
for epoch in range(epochs):
    print("\nStart of epoch %d" % (epoch,))
    start_time = time.time()

    # Iterate over the batches of the dataset.
    for step, (x_batch_train, y_batch_train) in enumerate(train_dataset):
        with tf.GradientTape() as tape:
            logits = model(x_batch_train, training=True)
            loss_value = loss_fn(y_batch_train, logits)
        grads = tape.gradient(loss_value, model.trainable_weights)
        optimizer.apply_gradients(zip(grads, model.trainable_weights))

        # Update training metric.
        train_acc_metric.update_state(y_batch_train, logits)

        # Log every 200 batches.
        if step % 200 == 0:
            print(
                "Training loss (for one batch) at step %d: %.4f"
                % (step, float(loss_value))
            )
            print("Seen so far: %d samples" % ((step + 1) * batch_size))

    # Display metrics at the end of each epoch.
    train_acc = train_acc_metric.result()
    print("Training acc over epoch: %.4f" % (float(train_acc),))

    # Reset training metrics at the end of each epoch
    train_acc_metric.reset_states()

    # Run a validation loop at the end of each epoch.
    for x_batch_val, y_batch_val in val_dataset:
        val_logits = model(x_batch_val, training=False)
        # Update val metrics
        val_acc_metric.update_state(y_batch_val, val_logits)
    val_acc = val_acc_metric.result()
    val_acc_metric.reset_states()
    print("Validation acc: %.4f" % (float(val_acc),))
    print("Time taken: %.2fs" % (time.time() - start_time))

Start of epoch 0
Training loss (for one batch) at step 0: 88.9958
Seen so far: 64 samples
Training loss (for one batch) at step 200: 2.2214
Seen so far: 12864 samples
Training loss (for one batch) at step 400: 1.3083
Seen so far: 25664 samples
Training loss (for one batch) at step 600: 0.8282
Seen so far: 38464 samples
Training acc over epoch: 0.7406
Validation acc: 0.8201
Time taken: 6.31s

Start of epoch 1
Training loss (for one batch) at step 0: 0.3276
Seen so far: 64 samples
Training loss (for one batch) at step 200: 0.4819
Seen so far: 12864 samples
Training loss (for one batch) at step 400: 0.5971
Seen so far: 25664 samples
Training loss (for one batch) at step 600: 0.5862
Seen so far: 38464 samples
Training acc over epoch: 0.8474
Validation acc: 0.8676
Time taken: 5.98s

দ্রুত গাড়ী চালানোর আপ সঙ্গে আপনার প্রশিক্ষণ পদক্ষেপ `tf.function`

TensorFlow 2 ডিফল্ট রানটাইম হয় উৎসুক মৃত্যুদন্ড । যেমন, উপরে আমাদের প্রশিক্ষণ লুপ সাগ্রহে কার্যকর হয়।

এটি ডিবাগিংয়ের জন্য দুর্দান্ত, তবে গ্রাফ সংকলনের একটি নির্দিষ্ট কর্মক্ষমতা সুবিধা রয়েছে। একটি স্ট্যাটিক গ্রাফ হিসাবে আপনার গণনা বর্ণনা করা ফ্রেমওয়ার্ককে বিশ্বব্যাপী কর্মক্ষমতা অপ্টিমাইজেশান প্রয়োগ করতে সক্ষম করে। এটি অসম্ভব যখন কাঠামোটি লোভের সাথে একের পর এক অপারেশন চালানোর জন্য সীমাবদ্ধ থাকে, পরবর্তী কী হবে সে সম্পর্কে কোন জ্ঞান নেই।

আপনি একটি স্ট্যাটিক গ্রাফে কম্পাইল করতে পারেন যেকোন ফাংশন যা টেনসরকে ইনপুট হিসাবে নেয়। শুধু একটি যোগ @tf.function এটিতে প্রসাধক, এভাবে:

@tf.function
def train_step(x, y):
    with tf.GradientTape() as tape:
        logits = model(x, training=True)
        loss_value = loss_fn(y, logits)
    grads = tape.gradient(loss_value, model.trainable_weights)
    optimizer.apply_gradients(zip(grads, model.trainable_weights))
    train_acc_metric.update_state(y, logits)
    return loss_value

আসুন মূল্যায়ন পদক্ষেপের সাথে একই কাজ করি:

@tf.function
def test_step(x, y):
    val_logits = model(x, training=False)
    val_acc_metric.update_state(y, val_logits)

এখন, এই সংকলিত প্রশিক্ষণ পদক্ষেপের সাথে আমাদের প্রশিক্ষণ লুপ পুনরায় চালানো যাক:

import time

epochs = 2
for epoch in range(epochs):
    print("\nStart of epoch %d" % (epoch,))
    start_time = time.time()

    # Iterate over the batches of the dataset.
    for step, (x_batch_train, y_batch_train) in enumerate(train_dataset):
        loss_value = train_step(x_batch_train, y_batch_train)

        # Log every 200 batches.
        if step % 200 == 0:
            print(
                "Training loss (for one batch) at step %d: %.4f"
                % (step, float(loss_value))
            )
            print("Seen so far: %d samples" % ((step + 1) * batch_size))

    # Display metrics at the end of each epoch.
    train_acc = train_acc_metric.result()
    print("Training acc over epoch: %.4f" % (float(train_acc),))

    # Reset training metrics at the end of each epoch
    train_acc_metric.reset_states()

    # Run a validation loop at the end of each epoch.
    for x_batch_val, y_batch_val in val_dataset:
        test_step(x_batch_val, y_batch_val)

    val_acc = val_acc_metric.result()
    val_acc_metric.reset_states()
    print("Validation acc: %.4f" % (float(val_acc),))
    print("Time taken: %.2fs" % (time.time() - start_time))

Start of epoch 0
Training loss (for one batch) at step 0: 0.7921
Seen so far: 64 samples
Training loss (for one batch) at step 200: 0.7755
Seen so far: 12864 samples
Training loss (for one batch) at step 400: 0.1564
Seen so far: 25664 samples
Training loss (for one batch) at step 600: 0.3181
Seen so far: 38464 samples
Training acc over epoch: 0.8788
Validation acc: 0.8866
Time taken: 1.59s

Start of epoch 1
Training loss (for one batch) at step 0: 0.5222
Seen so far: 64 samples
Training loss (for one batch) at step 200: 0.4574
Seen so far: 12864 samples
Training loss (for one batch) at step 400: 0.4035
Seen so far: 25664 samples
Training loss (for one batch) at step 600: 0.7561
Seen so far: 38464 samples
Training acc over epoch: 0.8959
Validation acc: 0.9028
Time taken: 1.27s

অনেক দ্রুত, তাই না?

মডেল দ্বারা ট্র্যাক করা ক্ষতির নিম্ন-স্তরের হ্যান্ডলিং

স্তরসমূহ & মডেল যাও recursively স্তর যে কল দ্বারা ফরওয়ার্ড পাস সময় নির্মিত কোন ক্ষতির ট্র্যাক self.add_loss(value) । স্কালে ক্ষতি মূল্যবোধের ফলে তালিকা সম্পত্তি মাধ্যমে উপলব্ধ model.losses ফরওয়ার্ড পাস শেষে।

আপনি যদি এই ক্ষতির উপাদানগুলি ব্যবহার করতে চান তবে আপনার সেগুলি যোগ করা উচিত এবং আপনার প্রশিক্ষণের ধাপে মূল ক্ষতিতে সেগুলি যোগ করা উচিত।

এই স্তরটি বিবেচনা করুন, যা একটি কার্যকলাপ নিয়মিতকরণ ক্ষতি তৈরি করে:

class ActivityRegularizationLayer(layers.Layer):
    def call(self, inputs):
        self.add_loss(1e-2 * tf.reduce_sum(inputs))
        return inputs

আসুন একটি সত্যিই সহজ মডেল তৈরি করি যা এটি ব্যবহার করে:

inputs = keras.Input(shape=(784,), name="digits")
x = layers.Dense(64, activation="relu")(inputs)
# Insert activity regularization as a layer
x = ActivityRegularizationLayer()(x)
x = layers.Dense(64, activation="relu")(x)
outputs = layers.Dense(10, name="predictions")(x)

model = keras.Model(inputs=inputs, outputs=outputs)

আমাদের প্রশিক্ষণের ধাপটি এখন কেমন হওয়া উচিত তা এখানে:

@tf.function
def train_step(x, y):
    with tf.GradientTape() as tape:
        logits = model(x, training=True)
        loss_value = loss_fn(y, logits)
        # Add any extra losses created during the forward pass.
        loss_value += sum(model.losses)
    grads = tape.gradient(loss_value, model.trainable_weights)
    optimizer.apply_gradients(zip(grads, model.trainable_weights))
    train_acc_metric.update_state(y, logits)
    return loss_value

সারসংক্ষেপ

অন্তর্নির্মিত প্রশিক্ষণ লুপ ব্যবহার করা এবং স্ক্র্যাচ থেকে আপনার নিজের লেখার বিষয়ে যা জানার আছে তা এখন আপনি জানেন।

উপসংহারে, এখানে একটি সরল এন্ড-টু-এন্ড উদাহরণ যা আপনি এই নির্দেশিকায় যা শিখেছেন তা একত্রিত করে: একটি DCGAN MNIST সংখ্যার উপর প্রশিক্ষিত।

এন্ড-টু-এন্ড উদাহরণ: স্ক্র্যাচ থেকে একটি GAN প্রশিক্ষণ লুপ

আপনি জেনেরেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক (GANs) এর সাথে পরিচিত হতে পারেন। GAN নতুন ছবি তৈরি করতে পারে যা প্রায় বাস্তব দেখায়, ইমেজের প্রশিক্ষণ ডেটাসেটের সুপ্ত বন্টন (ছবির "সুপ্ত স্থান") শেখার মাধ্যমে।

একটি GAN দুটি অংশ দিয়ে তৈরি: একটি "জেনারেটর" মডেল যা সুপ্ত স্থানের পয়েন্টগুলিকে চিত্র স্থানের পয়েন্টে ম্যাপ করে, একটি "বৈষম্যকারী" মডেল, একটি শ্রেণিবিন্যাসকারী যা প্রকৃত চিত্র (প্রশিক্ষণ ডেটাসেট থেকে) এবং নকলের মধ্যে পার্থক্য বলতে পারে ছবি (জেনারেটর নেটওয়ার্কের আউটপুট)।

একটি GAN প্রশিক্ষণ লুপ এই মত দেখায়:

1) বৈষম্যকারীকে প্রশিক্ষণ দিন। - সুপ্ত স্থানে এলোমেলো পয়েন্টের একটি ব্যাচের নমুনা নিন। - "জেনারেটর" মডেলের মাধ্যমে পয়েন্টগুলিকে নকল ছবিতে পরিণত করুন৷ - বাস্তব চিত্রগুলির একটি ব্যাচ পান এবং তাদের তৈরি করা চিত্রগুলির সাথে একত্রিত করুন। - তৈরি করা বনাম বাস্তব চিত্রগুলিকে শ্রেণিবদ্ধ করতে "বৈষম্যকারী" মডেলকে প্রশিক্ষণ দিন।

2) জেনারেটর প্রশিক্ষণ. - সুপ্ত স্থানে নমুনা এলোমেলো পয়েন্ট. - "জেনারেটর" নেটওয়ার্কের মাধ্যমে পয়েন্টগুলিকে জাল ছবিতে পরিণত করুন৷ - বাস্তব চিত্রগুলির একটি ব্যাচ পান এবং তাদের তৈরি করা চিত্রগুলির সাথে একত্রিত করুন। - বৈষম্যকারীকে "বোকা" করার জন্য "জেনারেটর" মডেলকে প্রশিক্ষণ দিন এবং জাল ছবিগুলিকে আসল হিসাবে শ্রেণীবদ্ধ করুন৷

কিভাবে Gans কাজ অনেক আরো বিস্তারিত ওভারভিউ জন্য, দেখুন পাইথন সঙ্গে গভীর শিক্ষা ।

এর এই প্রশিক্ষণ লুপ বাস্তবায়ন করা যাক. প্রথমে, নকল বনাম আসল সংখ্যাগুলিকে শ্রেণীবদ্ধ করার জন্য বৈষম্যকারী তৈরি করুন:

discriminator = keras.Sequential(
    [
        keras.Input(shape=(28, 28, 1)),
        layers.Conv2D(64, (3, 3), strides=(2, 2), padding="same"),
        layers.LeakyReLU(alpha=0.2),
        layers.Conv2D(128, (3, 3), strides=(2, 2), padding="same"),
        layers.LeakyReLU(alpha=0.2),
        layers.GlobalMaxPooling2D(),
        layers.Dense(1),
    ],
    name="discriminator",
)
discriminator.summary()

Model: "discriminator"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d (Conv2D)              (None, 14, 14, 64)        640       
_________________________________________________________________
leaky_re_lu (LeakyReLU)      (None, 14, 14, 64)        0         
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 7, 7, 128)         73856     
_________________________________________________________________
leaky_re_lu_1 (LeakyReLU)    (None, 7, 7, 128)         0         
_________________________________________________________________
global_max_pooling2d (Global (None, 128)               0         
_________________________________________________________________
dense_4 (Dense)              (None, 1)                 129       
=================================================================
Total params: 74,625
Trainable params: 74,625
Non-trainable params: 0
_________________________________________________________________

তারপর এর একটি জেনারেটর নেটওয়ার্ক, যে আকৃতি আউটপুট মধ্যে সুপ্ত ভেক্টর সক্রিয় তৈরি করা যাক (28, 28, 1) (MNIST ডিজিটের প্রতিনিধিত্বমূলক):

latent_dim = 128

generator = keras.Sequential(
    [
        keras.Input(shape=(latent_dim,)),
        # We want to generate 128 coefficients to reshape into a 7x7x128 map
        layers.Dense(7 * 7 * 128),
        layers.LeakyReLU(alpha=0.2),
        layers.Reshape((7, 7, 128)),
        layers.Conv2DTranspose(128, (4, 4), strides=(2, 2), padding="same"),
        layers.LeakyReLU(alpha=0.2),
        layers.Conv2DTranspose(128, (4, 4), strides=(2, 2), padding="same"),
        layers.LeakyReLU(alpha=0.2),
        layers.Conv2D(1, (7, 7), padding="same", activation="sigmoid"),
    ],
    name="generator",
)

এখানে মূল বিট: প্রশিক্ষণ লুপ. আপনি দেখতে পারেন এটি বেশ সহজবোধ্য. প্রশিক্ষণ ধাপ ফাংশন শুধুমাত্র 17 লাইন লাগে.

# Instantiate one optimizer for the discriminator and another for the generator.
d_optimizer = keras.optimizers.Adam(learning_rate=0.0003)
g_optimizer = keras.optimizers.Adam(learning_rate=0.0004)

# Instantiate a loss function.
loss_fn = keras.losses.BinaryCrossentropy(from_logits=True)


@tf.function
def train_step(real_images):
    # Sample random points in the latent space
    random_latent_vectors = tf.random.normal(shape=(batch_size, latent_dim))
    # Decode them to fake images
    generated_images = generator(random_latent_vectors)
    # Combine them with real images
    combined_images = tf.concat([generated_images, real_images], axis=0)

    # Assemble labels discriminating real from fake images
    labels = tf.concat(
        [tf.ones((batch_size, 1)), tf.zeros((real_images.shape[0], 1))], axis=0
    )
    # Add random noise to the labels - important trick!
    labels += 0.05 * tf.random.uniform(labels.shape)

    # Train the discriminator
    with tf.GradientTape() as tape:
        predictions = discriminator(combined_images)
        d_loss = loss_fn(labels, predictions)
    grads = tape.gradient(d_loss, discriminator.trainable_weights)
    d_optimizer.apply_gradients(zip(grads, discriminator.trainable_weights))

    # Sample random points in the latent space
    random_latent_vectors = tf.random.normal(shape=(batch_size, latent_dim))
    # Assemble labels that say "all real images"
    misleading_labels = tf.zeros((batch_size, 1))

    # Train the generator (note that we should *not* update the weights
    # of the discriminator)!
    with tf.GradientTape() as tape:
        predictions = discriminator(generator(random_latent_vectors))
        g_loss = loss_fn(misleading_labels, predictions)
    grads = tape.gradient(g_loss, generator.trainable_weights)
    g_optimizer.apply_gradients(zip(grads, generator.trainable_weights))
    return d_loss, g_loss, generated_images

আসুন আমাদের GAN প্রশিক্ষণ, বারবার কল করে দাও train_step ইমেজ ব্যাচ উপর।

যেহেতু আমাদের বৈষম্যকারী এবং জেনারেটর কনভনেট, আপনি এই কোডটি একটি GPU-তে চালাতে চান৷

import os

# Prepare the dataset. We use both the training & test MNIST digits.
batch_size = 64
(x_train, _), (x_test, _) = keras.datasets.mnist.load_data()
all_digits = np.concatenate([x_train, x_test])
all_digits = all_digits.astype("float32") / 255.0
all_digits = np.reshape(all_digits, (-1, 28, 28, 1))
dataset = tf.data.Dataset.from_tensor_slices(all_digits)
dataset = dataset.shuffle(buffer_size=1024).batch(batch_size)

epochs = 1  # In practice you need at least 20 epochs to generate nice digits.
save_dir = "./"

for epoch in range(epochs):
    print("\nStart epoch", epoch)

    for step, real_images in enumerate(dataset):
        # Train the discriminator & generator on one batch of real images.
        d_loss, g_loss, generated_images = train_step(real_images)

        # Logging.
        if step % 200 == 0:
            # Print metrics
            print("discriminator loss at step %d: %.2f" % (step, d_loss))
            print("adversarial loss at step %d: %.2f" % (step, g_loss))

            # Save one generated image
            img = tf.keras.preprocessing.image.array_to_img(
                generated_images[0] * 255.0, scale=False
            )
            img.save(os.path.join(save_dir, "generated_img" + str(step) + ".png"))

        # To limit execution time we stop after 10 steps.
        # Remove the lines below to actually train the model!
        if step > 10:
            break

Start epoch 0
discriminator loss at step 0: 0.69
adversarial loss at step 0: 0.69

এটাই! Colab GPU-তে মাত্র ~30s প্রশিক্ষণের পরে আপনি সুন্দর চেহারার নকল MNIST সংখ্যাগুলি পাবেন।