File size: 10,758 Bytes
1620753
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
import streamlit as st
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.utils as vutils
import torchvision.datasets as dset
import torchvision.transforms as transforms
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
import os

# Параметры
nc = 3  # Количество каналов в изображении
nz = 100  # Размер вектора шума
ngf = 64  # Размер карт признаков генератора
ndf = 64  # Размер карт признаков дискриминатора
num_epochs = 5  # Количество эпох обучения
lr = 0.0002  # Скорость обучения
beta1 = 0.5  # Beta1 для Adam оптимизатора
batch_size = 64  # Размер батча
image_size = 64  # Размер изображения

# Генератор
class Generator(nn.Module):
    def __init__(self):
        super(Generator, self).__init__()
        self.main = nn.Sequential(
            nn.ConvTranspose2d(nz, ngf * 8, 4, 1, 0, bias=False),
            nn.BatchNorm2d(ngf * 8),
            nn.ReLU(True),
            nn.ConvTranspose2d(ngf * 8, ngf * 4, 4, 2, 1, bias=False),
            nn.BatchNorm2d(ngf * 4),
            nn.ReLU(True),
            nn.ConvTranspose2d(ngf * 4, ngf * 2, 4, 2, 1, bias=False),
            nn.BatchNorm2d(ngf * 2),
            nn.ReLU(True),
            nn.ConvTranspose2d(ngf * 2, ngf, 4, 2, 1, bias=False),
            nn.BatchNorm2d(ngf),
            nn.ReLU(True),
            nn.ConvTranspose2d(ngf, nc, 4, 2, 1, bias=False),
            nn.Tanh()
        )

    def forward(self, input):
        return self.main(input)

# Дискриминатор
class Discriminator(nn.Module):
    def __init__(self):
        super(Discriminator, self).__init__()
        self.main = nn.Sequential(
            nn.Conv2d(nc, ndf, 4, 2, 1, bias=False),
            nn.LeakyReLU(0.2, inplace=True),
            nn.Conv2d(ndf, ndf * 2, 4, 2, 1, bias=False),
            nn.BatchNorm2d(ndf * 2),
            nn.LeakyReLU(0.2, inplace=True),
            nn.Conv2d(ndf * 2, ndf * 4, 4, 2, 1, bias=False),
            nn.BatchNorm2d(ndf * 4),
            nn.LeakyReLU(0.2, inplace=True),
            nn.Conv2d(ndf * 4, ndf * 8, 4, 2, 1, bias=False),
            nn.BatchNorm2d(ndf * 8),
            nn.LeakyReLU(0.2, inplace=True),
            nn.Conv2d(ndf * 8, 1, 4, 1, 0, bias=False),
            nn.Sigmoid()
        )

    def forward(self, input):
        return self.main(input)

# Настройка Streamlit
st.title('DCGAN Training and Generation')

# Создание боковой панели
st.sidebar.title('Параметры')
num_epochs = st.sidebar.slider('Количество эпох', 1, 50, 5)
batch_size = st.sidebar.slider('Размер батча', 16, 128, 64)
lr = st.sidebar.number_input('Скорость обучения', 0.0001, 0.01, 0.0002)

# Загрузка данных
@st.cache_data
def load_data():
    dataset = dset.CIFAR10(root='./data', download=True,
                          transform=transforms.Compose([
                              transforms.Resize(image_size),
                              transforms.ToTensor(),
                              transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)),
                          ]))
    dataloader = torch.utils.data.DataLoader(dataset, batch_size=batch_size,
                                           shuffle=True, num_workers=2)
    return dataloader

# Функция для визуализации результатов
def plot_training_results(G_losses, D_losses):
    fig, ax = plt.subplots(figsize=(10, 5))
    plt.plot(G_losses, label='Generator Loss')
    plt.plot(D_losses, label='Discriminator Loss')
    plt.xlabel('Iterations')
    plt.ylabel('Loss')
    plt.legend()
    st.pyplot(fig)

# Функция генерации изображений
def generate_images(netG, num_images=64):
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    with torch.no_grad():
        noise = torch.randn(num_images, nz, 1, 1, device=device)
        fake = netG(noise).detach().cpu()
    img = vutils.make_grid(fake, padding=2, normalize=True)
    img = np.transpose(img, (1, 2, 0))
    return img

# Функция обучения
def train_model():
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    st.write(f"Using device: {device}")
    
    # Создание сетей
    netG = Generator().to(device)
    netD = Discriminator().to(device)
    
    # Критерий и оптимизаторы
    criterion = nn.BCELoss()
    optimizerD = optim.Adam(netD.parameters(), lr=lr, betas=(beta1, 0.999))
    optimizerG = optim.Adam(netG.parameters(), lr=lr, betas=(beta1, 0.999))
    
    # Загрузка данных
    dataloader = load_data()
    
    # Списки для отслеживания прогресса
    G_losses = []
    D_losses = []
    
    # Прогресс бар
    progress_bar = st.progress(0)
    status_text = st.empty()
    
    # Обучение
    for epoch in range(num_epochs):
        for i, data in enumerate(dataloader, 0):
            ############################
            # (1) Обновление дискриминатора
            ###########################
            netD.zero_grad()
            real = data[0].to(device)
            b_size = real.size(0)
            label = torch.full((b_size,), 1, dtype=torch.float, device=device)
            output = netD(real).view(-1)
            errD_real = criterion(output, label)
            errD_real.backward()
            
            noise = torch.randn(b_size, nz, 1, 1, device=device)
            fake = netG(noise)
            label.fill_(0)
            output = netD(fake.detach()).view(-1)
            errD_fake = criterion(output, label)
            errD_fake.backward()
            errD = errD_real + errD_fake
            optimizerD.step()

############################
            # (2) Обновление генератора
            ###########################
            netG.zero_grad()
            label.fill_(1)
            output = netD(fake).view(-1)
            errG = criterion(output, label)
            errG.backward()
            optimizerG.step()
            
            # Обновление статуса
            if i % 100 == 0:
                status_text.text(f'Эпоха [{epoch}/{num_epochs}] Batch [{i}/{len(dataloader)}] '
                               f'Loss_D: {errD.item():.4f} Loss_G: {errG.item():.4f}')
                
                G_losses.append(errG.item())
                D_losses.append(errD.item())
                
                # Показать промежуточные результаты
                if i % 500 == 0:
                    with torch.no_grad():
                        fake = netG(torch.randn(64, nz, 1, 1, device=device)).detach().cpu()
                    img = vutils.make_grid(fake, padding=2, normalize=True)
                    img = np.transpose(img, (1, 2, 0))
                    st.image(img, caption=f'Эпоха {epoch}, Batch {i}')
        
        # Обновление прогресс бара
        progress_bar.progress((epoch + 1) / num_epochs)
    
    # Сохранение модели
    torch.save(netG.state_dict(), 'generator.pth')
    return netG, G_losses, D_losses

# Основной интерфейс Streamlit
def main():
    st.sidebar.title('DCGAN Control Panel')
    
    # Выбор режима
    mode = st.sidebar.selectbox('Выберите режим', 
                              ['Обучение', 'Генерация'])
    
    if mode == 'Обучение':
        if st.button('Начать обучение'):
            st.write('Начинаем обучение...')
            netG, G_losses, D_losses = train_model()
            st.write('Обучение завершено!')
            
            # Отображение графиков потерь
            st.subheader('Графики потерь')
            plot_training_results(G_losses, D_losses)
            
            # Генерация финальных изображений
            st.subheader('Финальные сгенерированные изображения')
            final_images = generate_images(netG)
            st.image(final_images, caption='Финальные сгенерированные изображения')
    
    elif mode == 'Генерация':
        if os.path.exists('generator.pth'):
            device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
            netG = Generator().to(device)
            netG.load_state_dict(torch.load('generator.pth', map_location=device))
            
            num_images = st.slider('Количество изображений', 1, 64, 16)
            
            if st.button('Сгенерировать изображения'):
                images = generate_images(netG, num_images)
                st.image(images, caption='Сгенерированные изображения')
                
                # Опция сохранения
                if st.button('Сохранить изображения'):
                    im = Image.fromarray((images * 255).astype(np.uint8))
                    im.save('generated_images.png')
                    st.success('Изображения сохранены!')
        else:
            st.error('Модель не найдена. Пожалуйста, сначала обучите модель.')

# Запуск приложения
if __name__ == '__main__':
    main()

# Дополнительные настройки
st.sidebar.markdown("""
## О проекте
Это приложение демонстрирует работу DCGAN (Deep Convolutional Generative Adversarial Network) 
для генерации изображений. 

### Особенности:
- Обучение на датасете CIFAR-10
- Генерация изображений 64x64
- Возможность настройки параметров
- Визуализация процесса обучения
""")

# Настройки кэширования
if st.sidebar.checkbox('Очистить кэш'):
    st.caching.clear_cache()
    st.success('Кэш очищен!')

# Дополнительные метрики
if st.sidebar.checkbox('Показать дополнительные метрики'):
    st.sidebar.write(f'Размер батча: {batch_size}')
    st.sidebar.write(f'Количество эпох: {num_epochs}')
    st.sidebar.write(f'Скорость обучения: {lr}')