Картинки для срисовки кот пушин: Картинки Пушина для срисовки (40 картинок) ✏
17.05.2023 
Разное
Кот Пушин | andrey-eltsov.ru
Кот Пушин (Pusheen) упитанный, очень забавный лентяй и сладкоежка. Его порода «домашняя короткошерстная». Кот Пушин появился в 2010 году на сайте Everyday Cute и с тех пор стал персонажем многих мультфильмов в интернете, гифок и даже стикеров. Этого добродушного кота все любят за добрый нрав, упитанность и беззаботность.
На странице и представлены в основном картинки для срисовки и раскраски кота Пушина. Картинки кот Пушин все очень привлекательные!
Приятного просмотра, срисовки и раскраски!
Фото кота Пушина во всей его красе!
На фото кот сладкоежка Пушин за едой. Пушин обзавёлся чипсами, гамбургером и кока- колой.
Такие лёгкие картинки для срисовки кота Пушина для начинающих хороши! Раскраска тоже возможна!
Очень лёгкий рисунок кота Пушина. Только бумагу взять, карандаш, ручку или фломастер!
На гамбургер взобрался кот Пушин. Он большой обжора!
Таким его и срисовывают!
На фото кот Пушин плавает как рыба или русалка рядом с рыбкой.
Развлекаться он тоже умеет. Не только пожрать.)) Картинки с юмором!)
Кот обжора Pusheen на гамбургере аппетитном для срисовки.
Такие лёгкие рисунки для срисовки очень подходят начинающим!
Раскраска Пушин антистресс. Пушин весь в цветочках и узорах.
Сложная раскраска, но нервы точно успокоит!
Кот Пушин и Сторми с воздушными шариками.
Ещё раскраска Пушин антистресс с маленьким котиком, а также с цветами и сердечками. Этот рисунок проще предыдущего антистресс рисунка.
Пушин на мопеде катается резво.
Картинки для срисовки с Пушином очень востребованы детьми! Он у детей один из самых любимых героев!
Гиф анимация кота Пушина в очках от солнца.
А это анимация как Пушин лопает стремительно ice-cream.
Котик этот обожает мороженое и особенно пломбир!
Фото кота Пушина, читающего любовное письмо. Яркие какие фломастеры.)
Мягкая игрушка Пушин с любовным письмом.
Раскраска Пушин со своим детёнышем рыбу ловят. Любой кот любит рыбку! А рыбки все улыбаются!) Сплошная идиллия!)
Пушин среди листьев и желудей осенью. Тоже простая антистресс раскраска.
Можно эту картинку и мандалой назвать
А это котик Пушин зимой. Снежинки, ёлочки, избушки вокруг. Тоже простая антистресс раскраска. Изображения Пушина очень популярны у детей!
На фото маленький ещё совсем кот Пушин для срисовки.
И для разукрашки такой рисунок подходит! Сердечко на цепочке на шее у него и бантик на лбу.
Кто-то гладит нашего героя по головке.
Раскраска Пушин среди разных цветов.
Мягкая игрушка Пушин в колпаке и с метлой.
Пушин в очках от солнца на отдыхе.
Такие рисунки для срисовки удобны для только начинающих рисовать!
Анимация наш кот мчится стремительно на скейтборде. Только деревья мелькают по пути. Прикольно!)
Брелок Пушин в чёрных очках.
Фото кота Пушина занятого едой в разных видах и ракурсах с разными блюдами. Он большой лакомка, поэтому такой упитанный!) Любит кот всё мучное : чипсы ест с удовольствием, капкейк, блинчики с шоколадом и спагетти с кетчупом.
А здесь кот очень похож на кота Леопольда. Впрочем, все коты похожи друг на друга!)
Лёгкие рисунки для срисовки котов популярны среди начинающих рисовать!
Анимация Пушин в очках от солнца хвостиком виляет и ручкой машет. Дети такое любят!)
Раскраска Пушин под пальмами среди тропических даров и цветов.
Чёрно-белые лёгкие рисунки кота Пушина в разных вариантах. Рисовать легко и приятно!)
Смешной кот Пушин лапки умильно сложил!
Кот Pusheen со шприцем, с которого стекает капелька красного цвета. Уж не кровь ли?
А здесь Пушин в роли повара с поварским колпаком на голове мешает еду в чашке.
Ещё сложная разукрашка. Котик разукрашка Пушин антистресс с цветами, узорами и сердечками.
Фото кота Пушина с мороженым. Любит он мороженое.
Игрушка Пушин с мороженным.
А здесь Пушин лопает пиццу с сыром и помидорами.
Пушин здесь за ноутбуком в интернете. Он современный и продвинутый кот!)
Тонкая натура кот цветок нюхает.) Кругом море разных цветов!
Кот Pusheen среди цветов.
Котик Пушин обжора и сладкоежка вылезает из сладкого пончика с глазурью.
А это Пушин в разных видах. Много у него разных дел: он катается на мопеде, готовит на гриле сосиски, зависает в интернете и так далее. Несмотря на тучность, этот толстяк очень активен по жизни!)
И опять наш котик за едой. Любитель большой он пожрать! Выглядит еда очень аппетитно, это пельмени или вареники! Ням -ням!)
Пухлая игрушка Пушин с попкорном.
Любовная раскраска, на которой кот Пушин среди сердечек писем ждёт.
Детям одно удовольствие раскрашивать и срисовывать!
Простой рисунок кота Пушина для срисовки.
Здесь рисунки для срисовки с Пушином почти все простые и лёгкие!
Ещё анимация Пушин смешная. Анимированные картинки почти все смешные!
Фото кота Пушина в колпаке в День его рождения. Коктейль он с удовольствием потягивает. Капкейк со свечкой и сладкий леденец дожидаются его!) Балдеет именинник!
Вот такие разные картинки для срисовки или раскраски кота Пушина!
Запись опубликована в рубрике Анимация, Картинки, Раскраска, Фото с метками Картинки, Кот Пушин, раскраска, Раскраска Пушин, Фото, Фото кота Пушина. Добавьте в закладки постоянную ссылку.
Пушин PNG картинки скачать бесплатно
Главная » ГЕРОИ, АКТЕРЫ » Пушин
org/ImageObject»>
org/ImageObject»> 
org/ImageObject»>
org/ImageObject»>
org/ImageObject»>
org/ImageObject»>
org/ImageObject»> 
org/ImageObject»>Пушин — мультяшный кот, который является героем комиксов, плюшевых игрушек, виниловых фигурок, наборов наклеек и многого другого на Tumblr, Facebook, Instagram, iMessage, YouTube и других платформах социальных сетей. Пушин был создан в 2010 году Клэр Белтон и Эндрю Даффом для комикса на их веб-сайте Everyday Cute. Совсем недавно персонаж Пушин использовался в сообщениях в социальных сетях и в блоге Пушин.
На официальном веб-сайте Пушин (Pusheen.com) Пушин описывается как вымышленная кошка, которая любит вести блог, перекусывать и участвовать в приключениях. В оригинальную серию комиксов входили персонажи, созданные по образцу Белтона, Дафф, их собака по имени Карм (сокращение от «Кармен») и Пушин, пухлая серая полосатая кошка, основанная на кошке Белтона, которая сейчас живет со своими родителями в Орегоне.
Пушин впервые появился в мае 2010 года в комиксе «Pusheen Things» на веб-сайте Клэр Белтон и Эндрю Даффа Everyday Cute. В 2011 году Белтон и Дафф запустили дополнительный сайт, посвященный Пушину. В 2013 году Белтон опубликовал сборник комиксов «I Am Pusheen The Cat» с участием Пушина. В 2021 году Белтон опубликовал продолжение «Много жизней кота Пушина» .
Пушин стал известен тем, что появляется в наборах наклеек на Facebook, где стикеры представляют собой изображения, которые можно прикреплять к личным сообщениям или комментариям.
Функция стикеров, включая набор стикеров Pusheen, была представлена на Android в апреле 2013 года и добавлена на основной веб-сайт Facebook в июле того же года. В статье для журнала PC Magazine об смайликах и юникоде Саша Сеган назвал Пушин «собственным смайликом» Facebook, который используется как форма привязки к поставщику. В апреле 2017 года корпорация Pusheen приобрела офисные помещения в Парк-Ридж, штат Иллинойс, пригороде Чикаго. Офисы используются как рабочее пространство для художников и фотографов.
Пушин — пример популярности кошек в Интернете. Выставка в Музее движущихся изображений Нью-Йорка исследовала феномен, выделив Пушина наряду с другими знаменитыми кошками, такими как Сердитый Кот и Лил Баб. По состоянию на февраль 2019 года у страницы Pusheen в Facebook более 9,2 миллиона поклонников. Бренд расширился за счет товаров, включая приложение. Пушин расширился и вышел за рамки только Facebook, чтобы принять участие в нескольких платформах социальных сетей, включая Instagram, Pinterest и Twitter.
У этого мультяшного кота также есть много фан-страниц на платформах, а также блоги, посвященные комиксу. Его популярность даже позволила Pusheen Corp создать приложение, которое является расширением их коллекции наклеек, начатой на Facebook. Каждая учетная запись в социальной сети, которая официально принадлежит создателям Pusheen, набрала более миллиона подписчиков. В связи с ростом популярности компания начала публиковать GIF-файлы на своем веб-сайте несколько раз в месяц.
GIF-файлы Pusheen на Facebook включают в себя Pusheens, напоминающие десерты. У них также есть Пушины, которые едят такие продукты, как пицца и пончики. Pusheens даже используются за столами для входа на мероприятия в Беллингеме, штат Вашингтон, часто на табличке с названием мероприятия. Средняя школа LaVenture в Маунт-Вернон, штат Вашингтон, продавала плакаты Pusheen на книжной ярмарке Scholastic, чтобы собрать средства. На Pusheen.com есть тест для самопроверки, чтобы показать, какой вы поклонник Pusheen.
Корпорация Pusheen начала продавать товары Pusheen после того, как популярность кота резко возросла в июле 2010 года. Первые товары Pusheen продавались на веб-сайте Everyday Cute в виде брелока с подвесками и ожерелья. Оттуда мерчандайзинг расширился. В 2014 году Гунд заинтересовался мультяшным котом и стал производителем плюшевых игрушек и коробок-слепых для Pusheen, что помогло бренду взлететь. Теперь Pusheen Corp объединилась со многими брендами для создания и продажи товаров в магазинах, в том числе товаров для розничных продавцов. У Pusheen Corp есть много действующих розничных продавцов, в том числе Hot Topic, Books-A-Million, Barnes & Noble, Claire’s, Petco, Walmart, Target, FYE и Gund. У Пушина также есть Funko Pop! Линия, состоящая из различных стилей виниловых фигурок. Pusheen Corp расширила свой мерчендайзинг на веб-сайт, ранее известный как Hey Chickadee, который в апреле 2019 года был переименован в The Pusheen Shop.. На сайте представлены коллекции товаров, посвященных мультяшному коту, в том числе плюшевые игрушки, одежда, предметы интерьера и различные аксессуары.
Также доступна коробка квартальной подписки, называемая Pusheen Box, заполненная продуктами Pusheen.
На этой странице вы можете скачать PNG картинки: Пушин PNG картинки скачать бесплатно
В этой галерее «Pusheen» у нас есть 45 бесплатных изображений PNG с прозрачным фоном.
pngimg.com Copyright © 2013 — 2023. Бесплатные PNG изображения, картинки и клипарты для дизайна и веб-дизайна
Создание Пушина с помощью ИИ | Зак Надо
27 апреля 2018 г.Не-ЭкспертЭксперт
Вы читаете неспециалиста версию этого поста, которую я написал для людей, у которых нет технического образования. Если вы хотите прочитать более подробную техническую версию, нажмите кнопку эксперта выше.
Вы читаете экспертную версию этого поста, которую я написал для людей, у которых есть техническое образование.
Если вы хотите прочитать менее технически глубокую версию, нажмите кнопку для неспециалистов выше.
Я сделал программу машинного обучения, которая генерирует новые (иногда новые!) картинки Пушин!
(я не претендую на право собственности на Pusheen или что-либо связанное с Pusheen, зарегистрированное под торговой маркой Pusheen Corp.) Не секрет, что мы с моей девушкой являемся большими поклонниками кота Пушина, которого многие знают по симпатичной наклейке на Facebook. наборы. Итак, на ее день рождения я решил попытаться создать программу машинного обучения, чтобы создавать фотографии кошек, чтобы она могла наслаждаться! Чтобы задать некоторые ожидания для этого поста, я сделал это только для забавного проекта и на самом деле не знал, что я ожидал получить от этого, учитывая, что во всех доступных данных на самом деле есть только несколько уникальных поз и сцен. Кроме того, вам действительно нужно только серое пятно примерно овальной формы с глазами, чтобы выглядеть как Пушин, поэтому планка была не такой высокой.
При этом я доволен результатом и думаю, что он дает интересные и (обычно) реалистичные позы и позы.
Тип программы, которую я создал, называется «Генеративно-состязательная сеть» или сокращенно GAN. Термин «Генеративный» происходит от того факта, что это тип программы машинного обучения, которая может генерировать новые изображения, подобные тем, которые вы в нее вводите. Этот тип программы также называют «Противоборческой» , потому что на самом деле это две разные внутренние программы, которые борются друг с другом (подробнее об этом позже). «Сеть» в названии происходит от типа внутренних программ, которые борются друг с другом, которые называются «нейронные сети» и сейчас являются очень популярным типом программы машинного обучения; для случайного обзора нейронных сетей есть бесчисленное множество видео и других руководств в Интернете.
Для того, чтобы наша пара программ имела представление о том, что мы хотим, мы должны дать им много изображений, похожих на те, которые мы хотим, чтобы они генерировали (чем больше, тем лучше).
В частности, это была небольшая проблема с Pusheen, поскольку уникальных изображений Pusheen не так много (особенно по сравнению со стандартными наборами данных машинного обучения, которые содержат 50 000–1 200 000 изображений). Из-за относительной нехватки контента я использовал некоторые приемы, чтобы сделать новые изображения из оригиналов; одно изображение можно отражать, вращать и масштабировать, чтобы сделать много новых изображений из исходного. Теперь о тех двух ранее упомянутых программах, которые борются друг с другом, «генераторе» и «дискриминаторе».
Задача «генератора» состоит в том, чтобы взять на вход список чисел и преобразовать их в новое изображение. Эти случайные числа можно рассматривать как отправную точку для изображения, которое программа «генератор» собирается создать, подобно художнику, у которого есть очень простое, пушистое представление о том, что он собирается нарисовать, но ему нужно на самом деле заполнить его. формы и цвета. Некоторые исследователи машинного обучения называют эти списки случайных чисел «воображением» или «мыслями» программы, потому что программа учится интерпретировать их, чтобы составить собственное внутреннее представление о мире.
Другой способ представить это так: когда мы подаем эти числа в генератор, два списка чисел с одинаковыми значениями будут создавать похожие изображения кошек, тогда как два списка чисел с очень разными значениями будут создавать очень разные изображения; программа узнает, что определенные значения этих списков соответствуют определенным вещам в изображениях Пушина, поэтому значения, которые находятся близко друг к другу, сделают изображения похожими.
Другая программа в борьбе называется «дискриминатор» . Его работа состоит в том, чтобы принимать в качестве входных данных либо изображения, созданные генератором, либо изображения из набора данных, которые мы используем в качестве примеров того, что нужно генерировать, а затем определять, откуда они взялись. Другими словами, дискриминатор должен узнать, насколько вероятно, что изображение взято из генератора или из реальной коллекции изображений. Это означает, что дискриминатору нужно будет выяснить, как выглядят изображения, которые мы даем в качестве примеров, чтобы он мог хорошо отличить реальные изображения от поддельных, где поддельные изображения — это те, которые создает генератор.
В случае Пушина ни один хороший распознаватель не скажет, что изображение реально, если на нем нет серого пятна с лицом.
Причина, по которой мы говорим, что эти две внутренние программы, генератор и дискриминатор, борются друг с другом, заключается в том, что мы настроили их таким образом, чтобы обе они старались как можно больше запутать другую. Под этим я подразумеваю:
- дискриминатор изучает недостатки в изображениях, которые создает генератор, чтобы он мог отличать настоящие изображения от подделок
- генератор учится генерировать изображения, похожие на настоящие, чтобы дискриминатор не различал
Но как мы на самом деле настраиваем программы, чтобы они могли изучать эти вещи? Всякий раз, когда мы создаем программу машинного обучения, мы на самом деле заставляем ее выяснить, как сделать ее ошибку при выполнении задачи, которую мы ей даем, как можно меньше. В примере классификации кошек и собак это может быть что-то столь же простое, как количество раз, когда он выбрал не то животное.
В настройке генеративно-состязательной сети мы установили целью дискриминатора количество ошибок при оценке того, является ли изображение реальным или поддельным. Затем генератор просто пытается обмануть дискриминатор, генерируя изображения, которые он не может определить как поддельные; чтобы достичь этого, ему, вероятно, придется создавать изображения, которые выглядят как настоящие, поэтому, надеюсь, когда мы увидим, что генератор постоянно обманывает дискриминатор, мы также увидим, что он создает реалистичные изображения! Другими словами, генератор намеревается сделать противоположное (отрицательное) действие дискриминатора.
Теперь, когда каждая программа в паре имеет свою цель, мы начинаем их тренировать. Типичная настройка для этого:
- дать дискриминатору несколько реальных изображений, чтобы он мог получить представление о том, как выглядит реальное изображение
- дать генератору несколько наборов случайных чисел, чтобы он мог сгенерировать несколько изображений
- передать сгенерированные изображения из 2.
в дискриминатор, чтобы он знал, как выглядят сгенерированные изображения - повтор с 1.
в дискриминатор, чтобы он знал, как выглядят сгенерированные изображенияПосле повторения этого несколько сотен тысяч раз у нас должен быть генератор, который отлично справляется с созданием изображений, подобных реальным, которые мы предоставляем, и дискриминатор, который остается сбитым с толку реализмом как поддельных, так и реальных изображений (если все сделано правильно, он должен думать, что изображение с одинаковой вероятностью может быть реальным или поддельным). Ниже видео обучения одной из программ, где каждые 250 шагов я беру 16 случайных выходов из программы-генератора и отображаю их. Вы можете видеть, что сначала он изучает самые основы изображения, такие как серый объект в виде круга на белом фоне, а затем переходит к более сложным частям, таким как уши и хвосты, затем лица, а затем пробует объекты, кроме кошек. Если вы сделаете паузу ближе к концу, то увидите даже несколько прилично выглядящих примеров!
Итак, теперь, когда у нас есть общее представление о том, как работают GAN, мы можем просто взять кучу фотографий Пушина, объединить их в одну и получить потрясающих новых кошек, верно? Не так быстро; чтобы получить свои результаты, мне пришлось потратить несколько недель на настройку различных ручек и переключателей на каждой из программ дискриминатора и генератора, чтобы заставить их работать правильно.
Это включало такие решения, как:
- насколько быстро программы учатся (быстрее не всегда лучше, если они учатся не тому!)
- количество изображений, которые я даю программам на каждом шаге
- насколько сложно я делаю дискриминатор и генератор
Некоторые из этих моделей, кажется, производят несколько распространенных типов пушинов в несколько разных позах или ситуациях. Одной из возможных причин этого может быть то, что генератор стал слишком умным и знает, что ему нужно создавать только определенные типы изображений, которые пройдут дискриминатор, что является распространенным сценарием при обучении GAN. Однако изображения по-прежнему различаются, и я думаю, что отсутствие вариаций связано с отсутствием примеров изображений для подачи модели во время обучения. Много раз при обучении GAN исследователи машинного обучения работали с десятками тысяч или миллионами изображений, тогда как здесь у меня было всего несколько сотен исходных изображений для работы.
Несмотря на то, что я смог перевернуть / повернуть / увеличить их, чтобы сделать больше, по-прежнему существует очень много поз и ситуаций, о которых знает GAN. Много раз при выборе GAN для включения в этот пост мне приходилось выбирать между GAN, которые могли создавать некоторые новые сцены, а также некоторые капли, и GAN, которые создавали только одно или два уникальных изображения. Я часто выбирал первое, но как только они были должным образом настроены, я думаю, что программы смогли создать убедительные изображения!
(я не претендую на право собственности на Pusheen или что-либо связанное с Pusheen, зарегистрированное под торговой маркой Pusheen Corp.) Не секрет, что мы с моей девушкой являемся большими поклонниками кота Пушина, которого многие знают по симпатичной наклейке на Facebook. наборы. Итак, на ее день рождения я решил попытаться создать генеративную модель для создания изображений кошек, чтобы она могла наслаждаться! Чтобы задать некоторые ожидания для этого поста, я сделал это только для забавного проекта и на самом деле не знал, что я ожидал получить от этого, учитывая, что во всех доступных данных на самом деле есть только несколько уникальных поз и сцен.
Кроме того, вам действительно нужно только серое пятно примерно овальной формы с глазами, чтобы выглядеть как Пушин, поэтому планка была не такой высокой. При этом я доволен результатом и думаю, что он дает интересные и (обычно) реалистичные позы и позы. Сначала я думал об использовании вариационного автоэнкодера для выполнения этой работы, но вместо этого остановился на генеративно-состязательной сети, потому что беспокоился о размытости изображений (а я никогда раньше не создавал GAN и хотел попробовать).
Данные, используемые для обучения GAN, были получены из различных изображений Пушина в Интернете. Собрав несколько сотен уникальных сцен и поз Пушина, я написал несколько шагов предварительной обработки, чтобы сделать фон белым, отразить, обрезать и повернуть его, чтобы получить гораздо больше изображений на исходное изображение.
Я предполагаю, что у вас есть базовые знания о том, как работают GAN, поэтому я не буду вдаваться в подробности. Я остановился на модели BEGAN, которая представляет собой тип GAN, который легче обучать, хотя, согласно некоторым недавним работам, большинство улучшений GAN неэффективны при достаточном вычислительном времени.
Таким образом, эта модель отличается от ванильных GAN:
- использование автоэнкодера в качестве дискриминатора, одна из причин заключается в том, что дискриминатор может дать отпор генератору, пытаясь реконструировать поддельные изображения, плохо сравниваемые с истинными изображениями
- вводит совместный этап обучения, который имеет автоматически настраиваемый балансный член, который пытается поддерживать равновесие между потерями дискриминатора и генератора
- разрабатывает уравнение для понятия сходимости, которое при проверке может быть использовано в качестве полезного отладочного сигнала для исследователей, чтобы определить, сошлась ли модель или мода разрушилась
Модель BEGAN использует уравнение потерь, основанное на расстоянии Вассерштейна, за исключением того, что ее целью является минимизация абсолютного значения потерь автоэнкодера на реальных и поддельных изображениях, а не на самих изображениях. На практике это снижает абсолютное значение и минимизирует потери при реконструкции на реальных изображениях за вычетом потерь при реконструкции на поддельных изображениях.
Кроме того, он вводит весовой коэффициент для фиктивных потерь при реконструкции, который изменяется пропорционально разнице между фиктивными и реальными потерями при реконструкции; это служит для поддержания баланса между дискриминатором и генератором, чтобы один не мог легко победить другого.
Я скоро опубликую код, но подведем итог: архитектуры и гиперпараметры, которые обычно хорошо работали для дискриминатора и генератора, были:
Я проделал немало поисков по гиперпараметрам, чтобы получить модель, которая работает (продолжайте прокручивать, чтобы увидеть некоторые ошибки), но я думаю, что в итоге это был довольно приличный генератор кошек.
Ниже представлено обучающее видео одной из моделей, которую я использую в демках, где каждые 250 шагов я беру 16 сэмплов из генератора. Вы можете видеть, что сначала он изучает самые основы изображения, такие как серый объект в виде круга на белом фоне, а затем переходит к более сложным частям, таким как уши и хвосты, затем лица, а затем пробует объекты, кроме кошек. Если вы сделаете паузу ближе к концу, то увидите даже несколько прилично выглядящих сэмплов!
Для некоторых моделей определенно были признаки сбоя режима, и даже некоторые из тех, что я выбрал в качестве демонстрационных, могут не иметь новизны. Я думаю, что это отчасти связано с тем, что, хотя я смог искусственно расширить набор данных с помощью приемов предварительной обработки, для работы было всего несколько сотен исходных изображений, поэтому количество разнообразия, которое GAN мог изучить, было ограничено с самого начала. Я также нашел компромисс между коллапсом режима и моделями, которые могли создавать как здоровое разнообразие изображений, так и некоторые не полностью сформированные пушины, и часто использовал последние для генераторов в этом посте.
Я знаю, что это не самый разнообразный генератор, но все же я в целом доволен результатами.
А теперь то, ради чего все здесь! Хотя все изображения до сих пор были созданы моей программой, вот еще несколько избранных образцов и демонстраций из готовых моделей; обратите внимание, что особенно если вы используете мобильный телефон, загрузка может занять десять или более секунд, но я работаю над этим! Используйте раскрывающийся список, чтобы выбрать между несколькими различными моделями. В качестве предупреждения, некоторые из них могут быть несколько жуткими, потому что, хотя программа стремится создавать изображения, похожие на изображения Пушина, которые она видела, она не всегда преуспевает. Однако, если вы оставите входные значения небольшими, обычно получаются картинки, похожие на кошачьих. Не волнуйтесь, это всего лишь картинки!
Модель 1Модель 2Модель 3
Помните, что каждое изображение соответствует разной начальной точке; здесь я дал программе четыре разных начальных точки, по одной в каждом углу, а затем постепенно смешал одну начальную точку с другими углами, показав получившихся кошек:
Здесь я интерполировал четыре разных скрытых вектора, по одному в каждом углу, и показал получившихся кошек:
Теперь предлагаю попробовать на себе! Напомним, что GAN — это пара программ, которые настроены так, чтобы обманывать друг друга, где генератор — это тот, который использует случайные числа для создания изображений.
Это означает, что каждый раз, когда вы нажимаете кнопки ниже, чтобы изменить изображения, код, который я написал для запуска программы-генератора в браузере, получает несколько случайных чисел в качестве входных данных, а затем отображает свои выходные данные в виде изображений в вашем браузере. Нажмите на кнопку ниже, чтобы получить кучу случайных.
Теперь предлагаю попробовать на себе! Я переписал программу генератора, используя tensorflow.js, библиотеку Javascript Tensorflow, чтобы все могло работать в браузере. Нажмите на кнопку ниже, чтобы получить кучу случайных.
Демонстрация углов не очень удобна на небольших экранах, поэтому попробуйте использовать ноутбук или настольный компьютер!
Или вы можете щелкнуть стрелки вверх/вниз в углах, чтобы изменить числа, которые вводятся в генератор, что позволяет вам исследовать, как различные начальные точки влияют на то, как GAN создает изображения. Поскольку мы знаем, что одинаковые входные числа приводят к похожим изображениям, если у вас есть одинаковые числа в каждом углу, то изображения между ними должны выглядеть одинаково, тогда как если вы сделаете числа в углах далеко друг от друга, тогда изображения в каждом углу должны выглядеть одинаково.
Очень разные. Сохранение небольших чисел обычно приводит к гораздо более кошачьим изображениям, и вы обычно получаете искаженные случайные цвета, если делаете их очень большими.
Или измените три числа в каждом углу, которые проецируются на 100-D скрытое пространство:
Еще одно замечательное свойство GAN заключается в том, что можно выполнять арифметические действия с числами, которые мы в него вводим, и та же самая арифметика наблюдается в сгенерированных изображениях. Обычный пример этого с лицами, как видно ниже (изображение отсюда):
Здесь берут входные числа для мужчин в очках, вычитают из них входные числа или человека без очков, а затем добавляют к ним входные числа для женщины без очков, а когда они берут полученные числа и генерируют изображения, получаются женщины в очках! Это очень крутой результат GAN, который наглядно показывает нам, что входные числа, которые они принимают, также имеют для нас какое-то значение. Если бы вас попросили нарисовать результат «мужчина в очках» — «мужчина» + «женщина», вы, скорее всего, нарисовали бы женщину в очках; это то, что мы просим GAN сделать и здесь, потому что эти входные числа являются версией наших мыслей, когда мы внутренне визуализируем, как выглядят мужчины и женщины в очках и без них.
Хотя эта демонстрация, по общему признанию, не так ясна для Пушина, как мне бы хотелось, с ней все равно интересно играть.
Я включил пример выше, где есть «кошка с тако», из которой мы вычитаем «кошку, наклоняющуюся влево» и добавляем «кошку, наклоняющуюся вправо с поводком» (я понимаю, что я щедр на то, что эти дополнительные объекты), и в результате получается «котик, наклоняющийся вправо, с поводком и маленьким тако». Вы также можете попробовать сами ниже, изменив триплеты входных чисел, которые используются для создания начальных/вычтенных/добавленных изображений, и посмотрите, что получится в результате справа!
Еще одним замечательным свойством GAN является то, что можно выполнять арифметические действия в скрытом пространстве, а полученные скрытые векторы генерируют семантически разумные изображения:
Я включил пример выше, где есть «кошка с тако», из которой мы вычитаем «кошку, наклоняющуюся влево» и добавляем «кошку, наклоняющуюся вправо с поводком» (я понимаю, что я щедр на то, что эти дополнительные объекты есть), и в результате получается «кошка, наклонившаяся вправо, с поводком и маленьким тако».
Leave a Comment