Sau khi huấn luyện Pix2Pix trên tập dữ liệu huấn luyện, như được hiển thị bên trên và thử nghiệm trên tập dữ liệu xác thực và thử nghiệm, bộ tạo Pix2Pix đang cố gắng cải thiện kết quả và đưa ra các dự đoán trông giống như ảnh thật. Hình ảnh giày, dép được tạo nhìn rất thực tế, chất lượng được cải thiện. Các đường viền chi tiết đúng vị trí và màu sắc của giày, dép nhìn rõ ràng.
Cuối cùng, chúng tôi thử lại kết quả của mô hình bằng cách sử dụng một hình ảnh phác thảo giầy, dép bất kì để đánh giá hiệu quả của mô hình, kết quả cho thấy chất lượng hình ảnh được tạo ra thực tế như mong đợi.
Để kiểm tra quá trình xử lý dữ liệu và tính toán các tổn thất của mô hình, chúng tôi sử dụng TensorBoard.dev để kiểm tra kết quả của lần chạy trước đó. TensorBoard.dev là một công cụ quản lý được sử dụng để lưu trữ, theo dõi và chia sẻ các thử nghiệm của mô hình.
Các kết quả này cho thấy:
Hình 3.6: Biểu đồ tổn thất bộ tạo với hình ảnh nguồn ( gen_gan_loss)
Hình 3.7: Biểu đồ tổn thất bộ tạo với hình ảnh đƣợc tạo ra (gen_l1_loss)
Hình 3.8: Biểu đồ tổng tổn thất của bộ tạo và bộ phân biệt (gen_total_loss)
Việc diễn giải các bản ghi từ mô hình GAN tinh tế hơn một mô hình phân loại(regression model) hoặc hồi quy đơn giản (simple classification). Biểu đồ trên cho thấy:
Từ các đường cong tổn thất trên hình 3.5 và 3.6 , rõ ràng là tổn
nghĩa là nếu gen_gan_loss hoặc disc_loss rất thấp thì đó là dấu hiệu cho thấy mô hình này đang thống trị mô hình kia và quá trình đào tạo mô hình chưa tốt hoặc không thành công.
Giá trị log(2) = 0.69 là một điểm tham chiếu tốt cho những tổn
thất này, đối với disc_loss có giá trị dưới 0.69 nghĩa là bộ phân biệt đang hoạt động tốt hơn so với bộ tạo, trên tập hợp kết hợp các hình ảnh thực và được tạo. Ngược lại, bộ tạo đang làm tốt hơn việc đánh lừa bộ phân biệt.
Tuy nhiên, khi quá trình đào tạo tiến triển, chúng ta thấy rằng tổn
thất của bộ tạo ở hình 3.7 giảm dần, có nghĩa là nó tạo ra hình ảnh tốt hơn và quản lý để đánh lừa bộ phân biệt.
Ở hình 3.8, vào khoảng epochs thứ 130, có thể thấy tổng tổn thất
của bộ tạo và bộ phân biệt chạm đáy và dần tăng trở lại, điều này có thể do nhiều yếu tố khác nhau. Một lý do là, khi bộ phân biệt được đào tạo, nó thay đổi sự mất mát của bộ tạo. Nó cũng có thể báo hiệu rằng quá trình đào tạo kết thúc ở đây và bộ tạo không thể được cải thiện thêm nữa sau epochs này hay nói cách khác hình ảnh được tạo ra là tốt nhất.