Aplicação da rede VAE + PCA para geração de faces de gatos
As VAE's são uma variação das autoencoders para geração de conteúdos. Sua diferença é que as VAE's codificam as entradas como distribuições de probabilidade sobre o espaço latente, além de incluir um termo de regularização (KL divergence) que ajuda a evitar o overfitting, criando uma espécie de sobreposição das distribuições no espaço latente, o que permite a geração interpretável da decodificação.
-
Dados: 15.7k imagens de faces de gatos de dimensões 64x64
-
Fonte dos dados: https://www.kaggle.com/spandan2/cats-faces-64x64-for-generative-models
-
Fontes do algoritmo e entendimento sobre redes VAE's:
https://towardsdatascience.com/understanding-variational-autoencoders-vaes-f70510919f73
https://github.com/keras-team/keras-io/blob/master/examples/generative/vae.py
-
Arquivos:
cats_rgb.npy: Arquivo numpy de transformação das imagens carregadas em arrays. Mais rápido e fácil para carregar. Pesado para fazer upload aqui.
decoder_model.h5: Rede decoder treinada salva. Modelo construido no tensorflow-keras.
pca.pkl: Arquivo PCA do sklearn já adaptado às médias de todas imagens passadas pela rede encoder.
training.py: Código de treinamento da rede VAE e adaptação do PCA.
testing.py: Construção da GUI para exibição dos efeitos das 10 primeiras componentes principais na formação das faces.
-
Visualização [GIF]:
