首页 > 其他分享 >AIGC技术在创意设计行业的应用与影响

AIGC技术在创意设计行业的应用与影响

时间:2024-07-28 10:57:23浏览次数:14  
标签:generator img 创意设计 AIGC add train 应用 discriminator model

引言

随着人工智能技术的迅速发展,AIGC(Artificial Intelligence Generated Content,人工智能生成内容)已成为创意设计行业的一个重要趋势。AIGC不仅可以提高设计效率,还能激发设计师的创造力,推动设计领域的创新。本文将探讨AIGC技术在创意设计中的具体应用,并通过一个基于Python的简单示例展示如何使用AIGC技术生成创意设计元素。

AIGC技术概览

AIGC技术的核心在于利用机器学习算法,特别是深度学习技术,如生成对抗网络(GANs)、变分自编码器(VAEs)等,来生成高质量的内容。在创意设计领域,这些技术可以用来生成图像、视频、音频和文本等内容。

关键技术

  • 生成对抗网络 (GANs): 通过两个神经网络——生成器和判别器的竞争来训练模型,生成器负责创造内容,而判别器则判断内容的真实性。
  • 变分自编码器 (VAEs): 通过编码-解码架构学习数据的潜在表示,并生成新的样本。
  • 条件生成模型: 通过给定特定条件来指导生成过程,使生成的内容满足特定的要求。

AIGC技术在创意设计中的应用

AIGC技术在创意设计中的应用主要包括以下几个方面:

  1. 图像和图形生成:自动创建图像、图标、海报等。
  2. 色彩方案生成:为设计项目生成调色板。
  3. 布局优化:自动调整设计元素的位置和大小。
  4. 创意灵感提供:基于现有设计生成新的创意点子。
  5. 原型设计:快速创建设计原型。
  6. 个性化定制:根据用户偏好生成定制化的设计方案。

技术实现示例

准备环境

首先,确保安装了必要的Python库,例如TensorFlow和Keras,这些库通常用于构建和训练生成模型。

pip install tensorflow keras numpy pillow

示例代码

我们将使用一个简单的生成对抗网络(GAN)模型来生成图像。这个例子将展示如何从零开始构建一个基本的GAN模型,以生成简单的手写数字图像。

导入库
import numpy as np
from tensorflow.keras.layers import Input, Dense, Reshape, Flatten, Dropout
from tensorflow.keras.layers import BatchNormalization, Activation, ZeroPadding2D
from tensorflow.keras.layers.advanced_activations import LeakyReLU
from tensorflow.keras.layers.convolutional import UpSampling2D, Conv2D
from tensorflow.keras.models import Sequential, Model
from tensorflow.keras.optimizers import Adam
import matplotlib.pyplot as plt
构建生成器模型
def build_generator(latent_dim):
    model = Sequential()
    model.add(Dense(128 * 7 * 7, activation="relu", input_dim=latent_dim))
    model.add(Reshape((7, 7, 128)))
    model.add(UpSampling2D())
    model.add(Conv2D(128, kernel_size=3, padding="same"))
    model.add(BatchNormalization(momentum=0.8))
    model.add(Activation("relu"))
    model.add(UpSampling2D())
    model.add(Conv2D(64, kernel_size=3, padding="same"))
    model.add(BatchNormalization(momentum=0.8))
    model.add(Activation("relu"))
    model.add(Conv2D(1, kernel_size=3, padding="same"))
    model.add(Activation("tanh"))

    noise = Input(shape=(latent_dim,))
    img = model(noise)

    return Model(noise, img)
构建判别器模型
def build_discriminator(img_shape):
    model = Sequential()
    model.add(Conv2D(32, kernel_size=3, strides=2, input_shape=img_shape, padding="same"))
    model.add(LeakyReLU(alpha=0.2))
    model.add(Dropout(0.25))
    model.add(Conv2D(64, kernel_size=3, strides=2, padding="same"))
    model.add(ZeroPadding2D(padding=((0,1),(0,1))))
    model.add(BatchNormalization(momentum=0.8))
    model.add(LeakyReLU(alpha=0.2))
    model.add(Dropout(0.25))
    model.add(Conv2D(128, kernel_size=3, strides=2, padding="same"))
    model.add(BatchNormalization(momentum=0.8))
    model.add(LeakyReLU(alpha=0.2))
    model.add(Dropout(0.25))
    model.add(Conv2D(256, kernel_size=3, strides=1, padding="same"))
    model.add(BatchNormalization(momentum=0.8))
    model.add(LeakyReLU(alpha=0.2))
    model.add(Dropout(0.25))
    model.add(Flatten())
    model.add(Dense(1, activation='sigmoid'))

    img = Input(shape=img_shape)
    validity = model(img)

    return Model(img, validity)
组合模型
def build_gan(generator, discriminator):
    discriminator.trainable = False
    gan_input = Input(shape=(100,))
    x = generator(gan_input)
    gan_output = discriminator(x)
    gan = Model(gan_input, gan_output)
    return gan
训练模型
def train(epochs, batch_size, save_interval):
    # Load the dataset
    (X_train, _), (_, _) = mnist.load_data()

    # Rescale -1 to 1
    X_train = X_train / 127.5 - 1.
    X_train = np.expand_dims(X_train, axis=3)

    # Adversarial ground truths
    valid = np.ones((batch_size, 1))
    fake = np.zeros((batch_size, 1))

    for epoch in range(epochs):
        # ---------------------
        #  Train Discriminator
        # ---------------------

        # Select a random half of images
        idx = np.random.randint(0, X_train.shape[0], batch_size)
        imgs = X_train[idx]

        # Sample noise and generate a batch of new images
        noise = np.random.normal(0, 1, (batch_size, 100))
        gen_imgs = generator.predict(noise)

        # Train the discriminator (real classified as ones and generated as zeros)
        d_loss_real = discriminator.train_on_batch(imgs, valid)
        d_loss_fake = discriminator.train_on_batch(gen_imgs, fake)
        d_loss = 0.5 * np.add(d_loss_real, d_loss_fake)

        # ---------------------
        #  Train Generator
        # ---------------------

        # Train the generator (wants discriminator to mistake images as real)
        g_loss = combined.train_on_batch(noise, valid)

        # Plot the progress
        print ("%d [D loss: %f, acc.: %.2f%%] [G loss: %f]" % (epoch, d_loss[0], 100*d_loss[1], g_loss))

        # If at save interval => save generated image samples
        if epoch % save_interval == 0:
            save_imgs(epoch)

def save_imgs(epoch):
    r, c = 5, 5
    noise = np.random.normal(0, 1, (r * c, 100))
    gen_imgs = generator.predict(noise)

    # Rescale images 0 - 1
    gen_imgs = 0.5 * gen_imgs + 0.5

    fig, axs = plt.subplots(r, c)
    cnt = 0
    for i in range(r):
        for j in range(c):
            axs[i,j].imshow(gen_imgs[cnt, :,:,0], cmap='gray')
            axs[i,j].axis('off')
            cnt += 1
    fig.savefig("images/mnist_%d.png" % epoch)
    plt.close()
主函数
if __name__ == '__main__':
    img_rows = 28
    img_cols = 28
    channels = 1
    img_shape = (img_rows, img_cols, channels)
    latent_dim = 100

    optimizer = Adam(0.0002, 0.5)

    # Build and compile the discriminator
    discriminator = build_discriminator(img_shape)
    discriminator.compile(loss='binary_crossentropy',
                          optimizer=optimizer,
                          metrics=['accuracy'])

    # Build the generator
    generator = build_generator(latent_dim)

    # The generator takes noise as input and generates imgs
    z = Input(shape=(latent_dim,))
    img = generator(z)

    # For the combined model we will only train the generator
    discriminator.trainable = False

    # The discriminator takes generated images as input and determines validity
    valid = discriminator(img)

    # The combined model  (stacked generator and discriminator)
    # Trains the generator to fool the discriminator
    combined = build_gan(generator, discriminator)
    combined.compile(loss='binary_crossentropy', optimizer=optimizer)

    # Train the GAN
    train(epochs=20000, batch_size=32, save_interval=200)

运行结果

运行上述代码后,GAN模型将开始训练,每隔一定数量的epoch,它会保存生成的图像样本。这些图像将显示模型随着时间的推移如何改进其生成的手写数字图像的质量。

结论

AIGC技术为创意设计行业带来了巨大的变革,不仅提高了工作效率,还激发了设计师们的创造力。通过上述示例,我们可以看到即使是简单的GAN模型也能生成令人印象深刻的图像。随着技术的不断进步,未来AIGC技术将在创意设计领域发挥更加重要的作用。

翻译

搜索

复制

标签:generator,img,创意设计,AIGC,add,train,应用,discriminator,model
From: https://blog.csdn.net/weixin_44383927/article/details/140705063

相关文章

  • PWA与原生应用:性能与用户体验的深度对比
    摘要随着Web技术的进步,渐进式Web应用(ProgressiveWebApps,PWA)已成为一种越来越受欢迎的选择,它结合了Web和原生应用的优点。尽管如此,原生应用仍然占据着移动应用市场的主导地位。本文将深入探讨PWA与原生应用之间的性能和用户体验方面的差异,并通过一些实际代码示例来展示如何......
  • PWA实战:从零构建高性能渐进式应用
    摘要渐进式Web应用(PWA)是一种使用现代Web技术构建的应用程序,它具有原生应用程序的功能,例如离线访问、推送通知和安装到主屏幕的能力。本文将引导您从零开始构建一个高性能的PWA,并涵盖关键技术点,如ServiceWorkers、缓存策略、离线支持和性能优化。1.引言随着移动互联网的普......
  • 当我们创建一个在 https 服务器上获取和发送数据的 python 应用程序时,我们应该如何处
    python脚本使用Urllib3,我的服务器是在Node.js上编写的脚本。我担心(并且不清楚)证书:我是否需要将我的python应用程序上的证书另存为变量?例如我这样做了,http=urllib3.PoolManager(cert_reqs="CERT_REQUIRED",ca_certs='client-cert.pem')并且我不知道......
  • Django-React 应用程序中的静态文件未在生产环境中加载
    我正在Docker容器中运行Django应用程序,但在生产中提供静态文件时遇到问题。本地一切工作正常,但是当我部署到生产环境时,静态文件不会加载,并且出现404错误。以下是我的设置的相关部分:Djangosettings.py:TEMPLATES=[{'BACKEND':......
  • 【Spring Cloud应用框架的讲解】
    ......
  • 算法板子:滑动窗口——应用单调队列,找到窗口中的最小值与最大值
    #include<iostream>usingnamespacestd;constintN=1e6+10;inta[N];//q数组模拟单调队列;q数组存储原数组元素的下标;//递增单调队列的队头始终维护窗口中的最小值;队头存的是窗口中最小值的下标//递减单调队列的队头始终维护窗口中的最大值;队头存的......
  • Linux应用层开发(6):SPI通信
            本章通过讲解在应用层中使用SPI总线与外部设备的通讯,讲解Linux系统总线类型设备驱动架构的应用,它与上一章的I2C总线操作方法非常相似,可以对比学习。在Linux内核文档的Documentation/SPI目录下有关于SPI驱动非常详细的说明。1. SPI通讯协议简介     ......
  • Linux应用层开发(5):I2C通讯
    1.I2C通讯协议简介 I2C通讯协议(Inter-IntegratedCircuit)是由Phiilps公司开发的,由于它引脚少,硬件实现简单,可扩展性强,不需要USART、CAN等通讯协议的外部收发设备,被广泛地使用在多个集成电路(IC)间的通讯。 1.1. I2C物理层I2C通讯设备之间的常用连接方式如下图。......
  • 决策树算法详解:原理、实现与应用案例
    目录一:简介二:决策树算法原理决策树的基本概念信息增益和熵基尼指数卡方检验三:决策树的构建过程数据预处理决策树生成算法剪枝技术决策树的优缺点四:决策树算法的实现使用Python实现决策树使用R语言实现决策树实现过程中需要注意的问题五:决策树算法的优化与改进......
  • 【AppStore】IOS应用上架Appstore的一些小坑
    前言上一篇文章写到如何上架IOS应用到Appstore,其中漏掉了些许期间遇到的小坑,现在补上审核不通过原因5.1.1Guideline5.1.1-Legal-Privacy-DataCollectionandStorage5.1.1(ii)PermissionAppsthatcollectuserorusagedatamustsecureuserconsentforthec......