{"id":337991,"date":"2022-09-06T09:01:01","date_gmt":"2022-09-06T09:01:01","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=337991"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=337991","title":{"rendered":"\u041a\u0430\u043a \u0443\u0431\u0440\u0430\u0442\u044c \u043f\u043e\u0441\u0442\u043e\u0440\u043e\u043d\u043d\u0438\u0435 \u0448\u0443\u043c\u044b \u0441 \u0444\u043e\u0442\u043e \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u043e\u0432 \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e PyTorch<\/span>"},"content":{"rendered":"
<\/div>\n
\n
\n
\n
\n

\u041f\u0440\u0438 \u0430\u0432\u0442\u043e\u043c\u0430\u0442\u0438\u0437\u0430\u0446\u0438\u0438 \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0435\u0439 \u0438\u043d\u043e\u0433\u0434\u0430 \u043f\u0440\u0438\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u0438\u043c\u0435\u0442\u044c \u0434\u0435\u043b\u043e \u0441\u043e \u0441\u043a\u0430\u043d\u0430\u043c\u0438 \u043f\u043b\u043e\u0445\u043e\u0433\u043e \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0430. \u041e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u0443\u0434\u0440\u0443\u0447\u0430\u0435\u0442 \u0441\u0438\u0442\u0443\u0430\u0446\u0438\u044f, \u043f\u0440\u0438 \u043a\u043e\u0442\u043e\u0440\u043e\u0439 \u0432\u043c\u0435\u0441\u0442\u043e \u0441\u043a\u0430\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0433\u043e \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430 \u043f\u0440\u0435\u0434\u043e\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0444\u043e\u0442\u043e \u0441 \u0442\u0435\u043b\u0435\u0444\u043e\u043d\u0430.<\/p>\n

\u0412 \u043e\u0431\u043b\u0430\u0441\u0442\u0438 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u043e\u0432 \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u0443\u0435\u0442 \u0446\u0435\u043b\u044b\u0439 \u0440\u044f\u0434 \u0437\u0430\u0434\u0430\u0447, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0440\u0435\u0448\u0430\u044e\u0442\u0441\u044f \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f. \u0421 \u043f\u0440\u0438\u043c\u0435\u0440\u043d\u044b\u043c \u0441\u043f\u0438\u0441\u043a\u043e\u043c \u043c\u043e\u0436\u043d\u043e \u043e\u0437\u043d\u0430\u043a\u043e\u043c\u0438\u0442\u044c\u0441\u044f \u0432\u00a0\u0434\u0430\u043d\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0435<\/a>. \u0412 \u044d\u0442\u043e\u043c \u0440\u0443\u043a\u043e\u0432\u043e\u0434\u0441\u0442\u0432\u0435 \u044f \u043f\u0440\u0435\u0434\u043b\u0430\u0433\u0430\u044e \u0440\u0435\u0448\u0435\u043d\u0438\u0435 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u044b \u0440\u0430\u0437\u043b\u0438\u0447\u043d\u044b\u0445 \u043f\u043e\u043c\u0435\u0445 \u043d\u0430 \u0444\u043e\u0442\u043e \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043c\u043e\u0433\u0443\u0442 \u0432\u043e\u0437\u043d\u0438\u043a\u043d\u0443\u0442\u044c \u043f\u0440\u0438 \u043f\u043b\u043e\u0445\u043e\u043c \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u0441\u044a\u0435\u043c\u043a\u0438 \u0438\u043b\u0438 \u043f\u043b\u043e\u0445\u043e\u043c \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u0441\u0430\u043c\u043e\u0433\u043e \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430.<\/p>\n

\u0414\u043b\u044f \u0431\u043e\u0440\u044c\u0431\u044b \u0441 \u043f\u043e\u043c\u0435\u0445\u0430\u043c\u0438 \u043d\u0430 \u0444\u043e\u0442\u043e \u0431\u0443\u0434\u0443 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0430\u0432\u0442\u043e\u044d\u043d\u043a\u043e\u0434\u0435\u0440 \u043d\u0430 \u043e\u0441\u043d\u043e\u0432\u0435 \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043d\u043e\u0439 \u0441\u0435\u0442\u0438.<\/p>\n

\u0420\u0430\u0431\u043e\u0442\u0430\u0442\u044c \u0431\u0443\u0434\u0443 \u0432 \u043e\u0431\u043b\u0430\u0447\u043d\u043e\u043c \u0441\u0435\u0440\u0432\u0438\u0441\u0435 Google Colab.<\/p>\n

\u0414\u043b\u044f \u043d\u0430\u0447\u0430\u043b\u0430 \u0441\u043a\u0430\u0447\u0430\u044e \u043d\u0430\u0431\u043e\u0440 \u0434\u0430\u043d\u043d\u044b\u0445 \u0441 \u0444\u043e\u0442\u043e\u0433\u0440\u0430\u0444\u0438\u044f\u043c\u0438 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u043e\u0432 \u043d\u0430 \u0430\u043d\u0433\u043b\u0438\u0439\u0441\u043a\u043e\u043c \u044f\u0437\u044b\u043a\u0435 \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e API \u0441\u0430\u0439\u0442\u0430 kaggle.com, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043f\u043e\u043f\u0443\u043b\u044f\u0440\u043d\u043e\u0439 \u043f\u043b\u0430\u0442\u0444\u043e\u0440\u043c\u043e\u0439 \u0434\u043b\u044f \u0441\u043e\u0440\u0435\u0432\u043d\u043e\u0432\u0430\u043d\u0438\u0439 \u043f\u043e Data Science. \u0414\u043b\u044f \u0442\u043e\u0433\u043e, \u0447\u0442\u043e\u0431\u044b \u0432\u043e\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c\u0441\u044f API \u0441\u0430\u0439\u0442\u0430, \u043d\u0443\u0436\u043d\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0444\u0430\u0439\u043b\u00a0kaggle.json<\/em>\u00a0\u0438\u0437 \u043b\u0438\u0447\u043d\u043e\u0433\u043e \u043a\u0430\u0431\u0438\u043d\u0435\u0442\u0430, \u0441\u043b\u0435\u0434\u0443\u044f\u00a0\u0438\u043d\u0441\u0442\u0440\u0443\u043a\u0446\u0438\u0438<\/a>.<\/p>\n

!pip install -q kaggle from google.colab import files  files.upload() !mkdir ~\/.kaggle !cp kaggle.json ~\/.kaggle\/ !chmod 600 ~\/.kaggle\/kaggle.json  !kaggle datasets download -d uurdeep\/cleaning-dirty-documents-unzipped<\/code><\/pre>\n
\u0420\u0430\u0437\u0430\u0440\u0445\u0438\u0432\u0438\u0440\u0443\u044e \u0441\u043a\u0430\u0447\u0430\u043d\u043d\u044b\u0439 \u0430\u0440\u0445\u0438\u0432 \u0441 \u0434\u0430\u043d\u043d\u044b\u043c\u0438. \u0414\u043e\u043b\u0436\u043d\u043e \u043f\u043e\u044f\u0432\u0438\u0442\u044c\u0441\u044f \u0434\u0432\u0435 \u043f\u0430\u043f\u043a\u0438. \u0412 \u043e\u0434\u043d\u043e\u0439 \u043d\u0430\u0445\u043e\u0434\u044f\u0442\u0441\u044f \u0437\u0430\u0448\u0443\u043c\u043b\u0435\u043d\u043d\u044b\u0435 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f (train<\/em>), \u0432 \u0434\u0440\u0443\u0433\u043e\u0439 \u0447\u0438\u0441\u0442\u044b\u0435 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f (train_cleaned<\/em>).<\/p>\n
!unzip -q cleaning-dirty-documents-unzipped.zip<\/code><\/pre>\n
\u0418\u043c\u043f\u043e\u0440\u0442\u0438\u0440\u0443\u044e \u043d\u0443\u0436\u043d\u044b\u0435 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438. \u0414\u043b\u044f \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u044f \u0438 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043c\u043e\u0434\u0435\u043b\u0438 \u0431\u0443\u0434\u0443 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0443 PyTorch.<\/p>\n
import os import cv2 import torch import numpy as np import torchvision import torch.nn as nn import torch.optim as optim import torch.nn.functional as F   from google.colab.patches import cv2_imshow from tqdm import tqdm from torchsummary import summary from torch.utils.data import Dataset, DataLoader from torchvision.transforms import transforms from torchvision.utils import save_image from sklearn.model_selection import train_test_split<\/code><\/pre>\n
\u0420\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c, \u0447\u0442\u043e \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u044e\u0442 \u0438\u0437 \u0441\u0435\u0431\u044f \u0434\u0430\u043d\u043d\u044b\u0435:<\/p>\n
import matplotlib.pyplot as plt import matplotlib.image as mpimg  img = os.listdir('\/content\/train')[0] fig, ax = plt.subplots(1,2, figsize=(20, 10)) img_noisy = mpimg.imread(f'\/content\/train\/{img}') img_clean = mpimg.imread(f'\/content\/train_cleaned\/{img}')  ax[0].imshow(img_noisy, cmap='gray') ax[0].axis('off') ax[0].set_title('Noisy', fontsize = 20)  ax[1].imshow(img_clean, cmap='gray') ax[1].axis('off') ax[1].set_title('Clean', fontsize = 20); <\/code><\/pre>\n
\u0421\u0444\u043e\u0440\u043c\u0438\u0440\u0443\u044e \u0432\u044b\u0431\u043e\u0440\u043a\u0443 \u0434\u043b\u044f \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043a\u0438 \u043c\u043e\u0434\u0435\u043b\u0438 \u0438 \u0434\u043b\u044f \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0438 \u0435\u0451 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0430:<\/p>\n
train_imgs, test_imgs = train_test_split(os.listdir('\/content\/train'), test_size=0.33, random_state=123)<\/code><\/pre>\n
\u0412\u044b\u0431\u0435\u0440\u0443 \u0443\u0441\u0442\u0440\u043e\u0439\u0441\u0442\u0432\u043e, \u043d\u0430 \u043a\u043e\u0442\u043e\u0440\u043e\u043c \u0431\u0443\u0434\u0435\u0442 \u043e\u0431\u0443\u0447\u0430\u0442\u044c\u0441\u044f \u043c\u043e\u0434\u0435\u043b\u044c:<\/p>\n
device = 'cuda:0' if torch.cuda.is_available() else 'cpu' print(device)<\/code><\/pre>\n
\u0414\u043b\u044f \u0443\u0434\u043e\u0431\u0441\u0442\u0432\u0430 \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0434\u0430\u043d\u043d\u044b\u043c\u0438 \u0441\u043e\u0437\u0434\u0430\u043c \u0432\u0441\u043f\u043e\u043c\u043e\u0433\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u0439 \u043a\u043b\u0430\u0441\u0441 \u043d\u0430 \u043e\u0441\u043d\u043e\u0432\u0435\u00a0torch.utils.data.Dataset<\/code>. \u041f\u0435\u0440\u0435\u043e\u043f\u0440\u0435\u0434\u0435\u043b\u044e \u043c\u0435\u0442\u043e\u0434\u044b\u00a0__len__<\/code>\u00a0\u0438\u00a0__getitem__<\/code>\u00a0\u043f\u043e\u0434 \u043d\u0430\u0448\u0438 \u0434\u0430\u043d\u043d\u044b\u0435.<\/p>\n
\u0414\u0430\u043d\u043d\u044b\u0439 \u043a\u043b\u0430\u0441\u0441 \u0431\u0443\u0434\u0435\u0442 \u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0442\u044c \u043d\u0430 \u0432\u0445\u043e\u0434 \u043f\u0443\u0442\u044c \u043a \u043f\u0430\u043f\u043a\u0435 \u0441 \u0437\u0430\u0448\u0443\u043c\u043b\u0435\u043d\u043d\u044b\u043c\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u043c\u0438, \u0441\u0430\u043c \u0441\u043f\u0438\u0441\u043e\u043a \u0441 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u043c\u0438 \u0438, \u0435\u0449\u0435 \u043f\u043e \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e\u0441\u0442\u0438, \u043f\u0443\u0442\u044c \u0434\u043e \u0447\u0438\u0441\u0442\u044b\u0445 \u0444\u0430\u0439\u043b\u043e\u0432 \u0438 \u043e\u0431\u044a\u0435\u043a\u0442 \u043a\u043b\u0430\u0441\u0441\u0430\u00a0torchvision.transforms.transforms<\/code>, \u0441\u043e\u0434\u0435\u0440\u0436\u0430\u0449\u0438\u0439 \u0441\u043f\u0438\u0441\u043e\u043a \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0439 \u043d\u0430\u0434 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u043c\u0438. \u041f\u0440\u0438 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0438 \u043f\u043e \u0438\u043d\u0434\u0435\u043a\u0441\u0443 \u0434\u0430\u043d\u043d\u044b\u0439 \u043a\u043b\u0430\u0441\u0441 \u0431\u0443\u0434\u0435\u0442 \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0430\u0442\u044c \u043a\u043e\u0440\u0442\u0435\u0436 \u0438\u0437 \u0437\u0430\u0448\u0443\u043c\u043b\u0435\u043d\u043d\u043e\u0433\u043e \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u0432 \u0444\u043e\u0440\u043c\u0430\u0442\u0435\u00a0torch.Tensor<\/code>\u00a0\u0438 \u0435\u0433\u043e \u043d\u0430\u0437\u0432\u0430\u043d\u0438\u0435 \u0432 \u043a\u0430\u0442\u0430\u043b\u043e\u0433\u0435. \u0415\u0441\u043b\u0438 \u0443\u043a\u0430\u0437\u0430\u043d\u0430 \u0434\u0438\u0440\u0435\u043a\u0442\u043e\u0440\u0438\u044f \u0434\u043b\u044f \u0447\u0438\u0441\u0442\u044b\u0445 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439, \u0442\u043e \u0431\u0443\u0434\u0435\u0442 \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0435\u043d\u043e \u0435\u0449\u0435 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435 \u0431\u0435\u0437 \u0448\u0443\u043c\u0430.<\/p>\n
class NoisyCleanDataset(Dataset):     def __init__(self, noisy_path, images, clean_path=None, transforms=None):         self.noisy_path = noisy_path         self.clean_path = clean_path         self.images = images         self.transforms = transforms               def __len__(self):         return (len(self.images))          def __getitem__(self, i):         noisy_image = cv2.imread(f\"{self.noisy_path}\/{self.images[i]}\")         noisy_image = cv2.cvtColor(noisy_image, cv2.COLOR_BGR2GRAY)                  if self.transforms:             noisy_image = self.transforms(noisy_image)                      if self.clean_path is not None:             clean_image = cv2.imread(f\"{self.clean_path}\/{self.images[i]}\")             clean_image = cv2.cvtColor(clean_image, cv2.COLOR_BGR2GRAY)             clean_image = self.transforms(clean_image)             return (noisy_image, clean_image, self.images[i])         else:             return (noisy_image, self.images[i])<\/code><\/pre>\n
\u041e\u043f\u0440\u0435\u0434\u0435\u043b\u044e \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438 \u0434\u043b\u044f \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u0432 \u043f\u0435\u0440\u0435\u043c\u0435\u043d\u043d\u043e\u0439\u00a0transform<\/code>. \u041f\u0440\u0438 \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435 \u0431\u0443\u0434\u0435\u0442 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u043e \u043f\u043e\u0434 \u0440\u0430\u0437\u043c\u0435\u0440 400 \u043d\u0430 400 \u043f\u0438\u043a\u0441\u0435\u043b\u0435\u0439 \u0438 \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0435\u043d\u043e \u0432 \u0444\u043e\u0440\u043c\u0430\u0442\u0435\u00a0torch.Tensor<\/code>.<\/p>\n
transform = transforms.Compose([     transforms.ToPILImage(),     transforms.Resize((400, 400)),     transforms.ToTensor(), ])<\/code><\/pre>\n
\u0421\u043e\u0437\u0434\u0430\u043c \u043c\u043e\u0434\u0435\u043b\u044c. \u041e\u043d\u0430 \u0431\u0443\u0434\u0435\u0442 \u0441\u043e\u0441\u0442\u043e\u044f\u0442\u044c \u0438\u0437 \u0434\u0432\u0443\u0445 \u0431\u043b\u043e\u043a\u043e\u0432. \u041f\u0435\u0440\u0432\u044b\u0439 \u0431\u043b\u043e\u043a (\u044d\u043d\u043a\u043e\u0434\u0435\u0440) \u0443\u043c\u0435\u043d\u044c\u0448\u0430\u0435\u0442 \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f, \u0438\u0437\u0432\u043b\u0435\u043a\u0430\u044f \u0438\u0437 \u043d\u0435\u0433\u043e \u043d\u0443\u0436\u043d\u044b\u0435 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0438. \u0412\u0442\u043e\u0440\u043e\u0439 \u0431\u043b\u043e\u043a (\u0434\u0435\u043a\u043e\u0434\u0435\u0440) \u043f\u044b\u0442\u0430\u0435\u0442\u0441\u044f \u0432\u043e\u0441\u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u044c \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u043f\u043e \u0438\u0437\u0432\u043b\u0435\u0447\u0435\u043d\u043d\u044b\u043c \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0430\u043c.<\/p>\n
class Autoencoder(nn.Module):     def __init__(self):         super(Autoencoder, self).__init__()              self.encoder = nn.Sequential(             nn.Conv2d(1, 128, kernel_size=5, padding=2),             nn.ReLU(),             nn.MaxPool2d(kernel_size=2),             nn.Conv2d(128, 128, kernel_size=3, padding=1),             nn.ReLU()         )                  self.decoder = nn.Sequential(             nn.Conv2d(128, 1, kernel_size=3, padding=1),             nn.Sigmoid()         )      def forward(self, x):         encoded = self.encoder(x)         decoded = nn.functional.interpolate(encoded, scale_factor=2)         decoded = self.decoder(decoded)         return decoded<\/code><\/pre>\n
\u0421\u043e\u0437\u0434\u0430\u043c \u043a\u043b\u0430\u0441\u0441, \u0432 \u043a\u043e\u0442\u043e\u0440\u043e\u043c \u0440\u0435\u0430\u043b\u0438\u0437\u0443\u0435\u043c \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0438 \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u043d\u0438\u0435 \u043c\u043e\u0434\u0435\u043b\u0438. \u0410 \u0442\u0430\u043a\u0436\u0435 \u0434\u043e\u0431\u0430\u0432\u043b\u044e \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u0432\u044b\u0432\u043e\u0434\u0438\u0442\u044c \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u044e \u043e \u043c\u043e\u0434\u0435\u043b\u0438, \u0441\u043e\u0445\u0440\u0430\u043d\u044f\u0442\u044c \u0438 \u0437\u0430\u0433\u0440\u0443\u0436\u0430\u0442\u044c \u0432\u0435\u0441\u0430 \u043c\u043e\u0434\u0435\u043b\u0438.<\/p>\n
class MyModel():     def __init__(self, Dataset, Model, transforms):         self.Dataset = Dataset         self.model = Model().to(device)         self.transform = transforms      def load_weights(self, path):         if device == 'cpu':             self.model.load_state_dict(torch.load(path, map_location=torch.device('cpu')))         else:             self.model.load_state_dict(torch.load(path))      def save_weights(self, path):         torch.save(self.model.state_dict(), path)      def show_info(self):         print(summary(self.model, (1, 400, 400)))      def fit(self, n_epochs, noisy_path, clean_path, train_imgs, test_imgs):                  train_data = self.Dataset(noisy_path, train_imgs, clean_path, self.transform)         val_data = self.Dataset(noisy_path, test_imgs, clean_path, self.transform)                  trainloader = DataLoader(train_data, batch_size=4, shuffle=True)         valloader = DataLoader(val_data, batch_size=4, shuffle=False)         criterion = nn.MSELoss()         optimizer = optim.Adam(self.model.parameters(), lr=0.001)         scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(                  optimizer,                 mode='min',                 patience=5,                 factor=0.5,                 verbose=True             )          self.model.train()         self.train_loss = []         self.val_loss = []         running_loss = 0.0          for epoch in range(n_epochs):             self.model.train()             for i, data in enumerate(trainloader):                 noisy_img = data[0]                 clean_img = data[1]                 noisy_img = noisy_img.to(device)                 clean_img = clean_img.to(device)                 optimizer.zero_grad()                 outputs = self.model(noisy_img)                 loss = criterion(outputs, clean_img)                 loss.backward()                 optimizer.step()                 running_loss += loss.item()                 if i % 10 == 0:                     print(f'Epoch {epoch+1} batch {i}: Loss {loss.item()\/4}')             self.train_loss.append(running_loss\/len(trainloader.dataset))             print('Validation ...')             self.model.eval()             running_loss = 0.0             with torch.no_grad():                 for i, data in tqdm(enumerate(valloader), total=int(len(val_data)\/valloader.batch_size)):                     noisy_img = data[0]                     clean_img = data[1]                     noisy_img = noisy_img.to(device)                     clean_img = clean_img.to(device)                     outputs = self.model(noisy_img)                     loss = criterion(outputs, clean_img)                     running_loss += loss.item()                 current_val_loss = running_loss\/len(valloader.dataset)                 self.val_loss.append(current_val_loss)                 print(f\"Val Loss: {current_val_loss:.5f}\")      def predict(self, img):         os.makedirs('outputs', exist_ok=True)         self.model.eval()         if type(img) == str:             if os.path.isfile(img):                 filename = os.path.basename(img)                 img = cv2.imread(img)                 img  = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)                 img = self.transform(img).to(device)                 img = self.model(img)                 img = img.detach().cpu().permute(1,2,0).numpy()                 cv2.imwrite(f'outputs\/{filename}', img*255)             else:                 images = os.listdir(img)                 predictDataset = self.Dataset(img, images, transforms=self.transform)                 predictDataloader = DataLoader(predictDataset, batch_size=4, shuffle=False)                 with torch.no_grad():                     for i, data in tqdm(enumerate(predictDataloader), total=int(len(predictDataset)\/predictDataloader.batch_size)):                         noisy_img = data[0]                         noisy_img = noisy_img.to(device)                         outputs = self.model(noisy_img)                         for im, image_name in zip(outputs, data[1]):                             im = im.detach().cpu().permute(1,2,0).numpy()                             cv2.imwrite(f'outputs\/{image_name}', im*255)         if type(img) == np.ndarray:             if img.shape[2] == 3:                 img  = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)             img = self.transform(img).to(device)             img = self.model(img)             img = img.detach().cpu().permute(1,2,0).numpy()             cv2.imwrite('outputs\/cleaned_img.jpg', img*255)<\/code><\/pre>\n
\u041f\u0440\u0438 \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u0438 \u043a\u043b\u0430\u0441\u0441\u0430 \u043d\u0443\u0436\u043d\u043e \u0431\u0443\u0434\u0435\u0442 \u0443\u043a\u0430\u0437\u0430\u0442\u044c \u0441\u0441\u044b\u043b\u043a\u0443 \u043d\u0430 \u0432\u0441\u043f\u043e\u043c\u043e\u0433\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u0439 \u043a\u043b\u0430\u0441\u0441 \u0434\u043b\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0434\u0430\u043d\u043d\u044b\u043c\u0438, \u0441\u0441\u044b\u043b\u043a\u0443 \u043d\u0430 \u043c\u043e\u0434\u0435\u043b\u044c \u0438 \u043d\u0430 \u043f\u0435\u0440\u0435\u043c\u0435\u043d\u043d\u0443\u044e, \u0441\u043e\u0434\u0435\u0440\u0436\u0430\u0449\u0443\u044e \u0441\u043f\u0438\u0441\u043e\u043a \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0439.<\/p>\n
\u041e\u0441\u043d\u043e\u0432\u043d\u044b\u043c \u043c\u0435\u0442\u043e\u0434\u043e\u043c \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f\u00a0fit<\/code>, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u043e\u0442\u0432\u0435\u0447\u0430\u0435\u0442 \u0437\u0430 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043c\u043e\u0434\u0435\u043b\u0438. \u041d\u0430 \u0432\u0445\u043e\u0434 \u043e\u043d \u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0435\u0442 \u0447\u0438\u0441\u043b\u043e \u044d\u043f\u043e\u0445 \u0434\u043b\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f, \u0441\u0441\u044b\u043b\u043a\u0438 \u043d\u0430 \u043f\u0430\u043f\u043a\u0438 \u0441 \u0437\u0430\u0448\u0443\u043c\u043b\u0435\u043d\u043d\u044b\u043c\u0438 \u0438 \u0447\u0438\u0441\u0442\u044b\u043c\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u043c\u0438, \u0430 \u0442\u0430\u043a\u0436\u0435 \u0441\u043f\u0438\u0441\u043e\u043a \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0434\u043b\u044f \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043a\u0438 \u0438\u043b\u0438 \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u0438. \u0414\u0430\u043b\u0435\u0435 \u043d\u0430 \u043e\u0441\u043d\u043e\u0432\u0435 \u043d\u0430\u0448\u0435\u0433\u043e \u0432\u0441\u043f\u043e\u043c\u043e\u0433\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0433\u043e \u043a\u043b\u0430\u0441\u0441\u0430 \u0434\u043b\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0434\u0430\u043d\u043d\u044b\u043c\u0438 \u0441\u043e\u0437\u0434\u0430\u044e\u0442\u0441\u044f \u0434\u0432\u0435 \u043f\u0435\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0435, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043f\u043e\u0434\u0430\u044e\u0442\u0441\u044f \u0432 \u0435\u0449\u0435 \u043e\u0434\u0438\u043d \u0432\u0441\u043f\u043e\u043c\u043e\u0433\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u0439 \u043a\u043b\u0430\u0441\u0441\u00a0torch.utils.data.DataLoader<\/code>, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u043e\u0442\u0432\u0435\u0447\u0430\u0435\u0442 \u0437\u0430 \u0440\u0430\u0441\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u043d\u0443\u044e \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0443 \u0434\u0430\u043d\u043d\u044b\u0445.<\/p>\n
\u0412 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u043f\u043e\u0442\u0435\u0440\u044c \u0432\u043e\u0437\u044c\u043c\u0443 \u0441\u0440\u0435\u0434\u043d\u044e\u044e \u043a\u0432\u0430\u0434\u0440\u0430\u0442\u0438\u0447\u043d\u0443\u044e \u043e\u0448\u0438\u0431\u043a\u0443. \u0410 \u0432 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0442\u043e\u0440\u0430 \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u00a0Adam<\/em>. \u0422\u0430\u043a\u0436\u0435 \u0437\u0430\u0434\u0430\u043c \u0440\u0435\u0433\u0443\u043b\u044f\u0442\u043e\u0440 \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u043d\u043e\u0433\u043e \u0448\u0430\u0433\u0430 \u0438\u0437\u00a0torch.optim.lr_scheduler<\/code>. \u0414\u0430\u043d\u043d\u044b\u0439 \u0440\u0435\u0433\u0443\u043b\u044f\u0442\u043e\u0440 \u0431\u0443\u0434\u0435\u0442 \u0443\u043c\u0435\u043d\u044c\u0448\u0430\u0442\u044c \u0433\u0440\u0430\u0434\u0438\u0435\u043d\u0442\u043d\u044b\u0439 \u0448\u0430\u0433, \u0435\u0441\u043b\u0438 \u043f\u043e\u043a\u0430\u0437\u0430\u0442\u0435\u043b\u044c \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u043f\u043e\u0442\u0435\u0440\u044c \u043f\u0435\u0440\u0435\u0441\u0442\u0430\u0435\u0442 \u0443\u043c\u0435\u043d\u044c\u0448\u0430\u0442\u044c\u0441\u044f.<\/p>\n
\u041f\u043e\u0441\u043b\u0435 \u043a\u0430\u0436\u0434\u043e\u0439 10 \u0438\u0442\u0435\u0440\u0430\u0446\u0438\u0438 \u0431\u0443\u0434\u0435\u0442 \u0432\u044b\u0432\u043e\u0434\u0438\u0442\u044c\u0441\u044f \u0441\u043e\u043e\u0431\u0449\u0435\u043d\u0438\u0435 \u0441 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0435\u0439 \u043e \u044d\u043f\u043e\u0445\u0435, \u043d\u043e\u043c\u0435\u0440\u0435 \u0431\u0430\u0442\u0447\u0430, \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0438 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u043f\u043e\u0442\u0435\u0440\u044c. \u041f\u043e\u0441\u043b\u0435 \u043a\u0430\u0436\u0434\u043e\u0439 \u044d\u043f\u043e\u0445\u0438 \u0431\u0443\u0434\u0435\u0442 \u043f\u0440\u043e\u0432\u043e\u0434\u0438\u0442\u044c\u0441\u044f \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u044f. \u0417\u043d\u0430\u0447\u0435\u043d\u0438\u044f \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u0431\u0443\u0434\u0443\u0442 \u0437\u0430\u043f\u0438\u0441\u044b\u0432\u0430\u0442\u044c\u0441\u044f \u0432 \u043f\u0435\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0435, \u0447\u0442\u043e\u0431\u044b \u043f\u043e\u0442\u043e\u043c \u043c\u043e\u0436\u043d\u043e \u0431\u044b\u043b\u043e \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u043d\u0430 \u0433\u0440\u0430\u0444\u0438\u043a\u0435 \u043f\u0440\u043e\u0446\u0435\u0441\u0441 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f.<\/p>\n
\u041c\u0435\u0442\u043e\u0434\u00a0predict<\/code>\u00a0\u043f\u043e\u0437\u0432\u043e\u043b\u044f\u0435\u0442 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0433\u043e\u0442\u043e\u0432\u0443\u044e \u043c\u043e\u0434\u0435\u043b\u044c \u0434\u043b\u044f \u0442\u0435\u0441\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u044f \u043d\u0430 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u0445. \u0414\u0430\u043d\u043d\u044b\u0439 \u043c\u0435\u0442\u043e\u0434 \u043c\u043e\u0436\u0435\u0442 \u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0442\u044c \u043b\u0438\u0431\u043e \u0441\u0441\u044b\u043b\u043a\u0443 \u043d\u0430 \u043a\u0430\u0442\u0430\u043b\u043e\u0433 \u0441 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u043c\u0438, \u043b\u0438\u0431\u043e \u0441\u0441\u044b\u043b\u043a\u0443 \u043d\u0430 \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e\u0435 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435, \u043b\u0438\u0431\u043e \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435 \u0432 \u0444\u043e\u0440\u043c\u0430\u0442\u0435 \u043c\u0430\u0441\u0441\u0438\u0432\u0430. \u0418\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f, \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u0430\u043d\u043d\u044b\u0435 \u043c\u043e\u0434\u0435\u043b\u044c\u044e, \u0431\u0443\u0434\u0443\u0442 \u0441\u043e\u0445\u0440\u0430\u043d\u044f\u0442\u044c\u0441\u044f \u0432 \u043f\u0430\u043f\u043a\u0443\u00a0outputs<\/em>.<\/p>\n
\u0418\u043d\u0438\u0446\u0438\u0430\u043b\u0438\u0437\u0438\u0440\u0443\u044e \u0441\u0432\u043e\u0439 \u043a\u043b\u0430\u0441\u0441:<\/p>\n
AutoEncoder = MyModel(NoisyCleanDataset, Autoencoder, transform)<\/code><\/pre>\n
\u041f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0441\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0443 \u043c\u043e\u0434\u0435\u043b\u0438:<\/p>\n
AutoEncoder.show_info()<\/code><\/pre>\n
 ----------------------------------------------------------------         Layer (type)               Output Shape         Param # ================================================================             Conv2d-1        [-1, 128, 400, 400]           3,328               ReLU-2        [-1, 128, 400, 400]               0          MaxPool2d-3        [-1, 128, 200, 200]               0             Conv2d-4        [-1, 128, 200, 200]         147,584               ReLU-5        [-1, 128, 200, 200]               0             Conv2d-6          [-1, 1, 400, 400]           1,153            Sigmoid-7          [-1, 1, 400, 400]               0 ================================================================ Total params: 152,065 Trainable params: 152,065 Non-trainable params: 0 ---------------------------------------------------------------- Input size (MB): 0.61 Forward\/backward pass size (MB): 432.13 Params size (MB): 0.58 Estimated Total Size (MB): 433.32<\/code><\/pre>\n
\u0417\u0430\u043f\u0443\u0449\u0443 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043c\u043e\u0434\u0435\u043b\u0438 \u043d\u0430 40 \u044d\u043f\u043e\u0445\u0430\u0445:<\/p>\n
AutoEncoder.fit(40,          '\/content\/train',          '\/content\/train_cleaned',         train_imgs,          test_imgs)<\/code><\/pre>\n
\u0421\u043e\u0445\u0440\u0430\u043d\u044e \u0432\u0435\u0441\u0430 \u043e\u0431\u0443\u0447\u0435\u043d\u043d\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u0438:<\/p>\n
AutoEncoder.save_weights('model1.pth') #AutoEncoder.load_weights('model1.pth')<\/code><\/pre>\n
\u0412\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0438\u0440\u0443\u044e \u043f\u0440\u043e\u0446\u0435\u0441\u0441 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f:<\/p>\n
f, ax = plt.subplots(figsize=(10, 10)) ax.plot(AutoEncoder.train_loss, color='red', label='train') ax.plot(AutoEncoder.val_loss, color='green', label='val') ax.set_xlabel('Epoch') ax.set_ylabel('Loss') ax.legend();<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u041d\u0430 \u0433\u0440\u0430\u0444\u0438\u043a\u0435 \u043a\u0440\u0430\u0441\u043d\u043e\u0439 \u043b\u0438\u043d\u0438\u0435\u0439 \u043f\u043e\u043a\u0430\u0437\u0430\u043d \u043f\u0440\u043e\u0446\u0435\u0441\u0441 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u044f \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u043f\u043e\u0442\u0435\u0440\u044c \u0432\u043e \u0432\u0440\u0435\u043c\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f. \u0417\u0435\u043b\u0435\u043d\u044b\u043c \u0446\u0432\u0435\u0442\u043e\u043c \u043e\u0431\u043e\u0437\u043d\u0430\u0447\u0435\u043d \u043f\u043e\u043a\u0430\u0437\u0430\u0442\u0435\u043b\u044c \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u043f\u043e\u0442\u0435\u0440\u044c \u043d\u0430 \u043e\u0442\u043b\u043e\u0436\u0435\u043d\u043d\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445 \u0434\u043b\u044f \u0432\u0430\u043b\u0438\u0434\u0430\u0446\u0438\u0438. \u041a\u0430\u043a \u0432\u0438\u0434\u043d\u043e, \u043e\u0431\u0430 \u043f\u043e\u043a\u0430\u0437\u0430\u0442\u0435\u043b\u044f \u0441\u0438\u043d\u0445\u0440\u043e\u043d\u043d\u043e \u0443\u043c\u0435\u043d\u044c\u0448\u0430\u044e\u0442\u0441\u044f, \u0447\u0442\u043e \u0441\u0432\u0438\u0434\u0435\u0442\u0435\u043b\u044c\u0441\u0442\u0432\u0443\u0435\u0442 \u043e\u0431 \u0443\u0441\u043f\u0435\u0448\u043d\u043e\u043c \u043f\u0440\u043e\u0446\u0435\u0441\u0441\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f.<\/p>\n
\u041f\u0440\u0438\u043c\u0435\u043d\u044e \u043c\u043e\u0434\u0435\u043b\u044c \u043a \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u043c \u0432 \u0442\u0435\u0441\u0442\u043e\u0432\u043e\u0439 \u043f\u0430\u043f\u043a\u0435:<\/p>\n
AutoEncoder.predict('\/content\/train')<\/code><\/pre>\n
\u041d\u0430\u043f\u0438\u0448\u0443 \u043d\u0435\u0431\u043e\u043b\u044c\u0448\u0443\u044e \u0444\u0443\u043d\u043a\u0446\u0438\u044e, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0431\u0443\u0434\u0435\u0442 \u0432\u0438\u0437\u0443\u0430\u043b\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b\u044c\u043d\u043e\u0435, \u0437\u0430\u0448\u0443\u043c\u043b\u0435\u043d\u043d\u043e\u0435 \u0438 \u0432\u043e\u0441\u0441\u0442\u0430\u043d\u043e\u0432\u043b\u0435\u043d\u043d\u043e\u0435 \u043c\u043e\u0434\u0435\u043b\u044c\u044e \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435:<\/p>\n
import matplotlib.pyplot as plt import matplotlib.image as mpimg  def show_pair_img(img):     fig, ax = plt.subplots(1,3, figsize=(21, 7))     img_noisy = cv2.resize(mpimg.imread(f'\/content\/train\/{img}'), (400, 400))     img_clean = cv2.resize(mpimg.imread(f'\/content\/train_cleaned\/{img}'), (400, 400))     img_cleaned = mpimg.imread(f'\/content\/outputs\/{img}')      ax[0].imshow(img_clean, cmap='gray')     ax[0].axis('off')     ax[0].set_title('Clean', fontsize = 20)      ax[1].imshow(img_noisy, cmap='gray')     ax[1].axis('off')     ax[1].set_title('Noisy', fontsize = 20);      ax[2].imshow(img_cleaned, cmap='gray')     ax[2].axis('off')     ax[2].set_title('Cleaned', fontsize = 20);<\/code><\/pre>\n
for i in range(3):     show_pair_img(test_imgs[i])<\/code><\/pre>\n
<\/figcaption><\/figure>\n
<\/figcaption><\/figure>\n
\u0421\u043b\u0435\u0432\u0430 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u043e \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b\u044c\u043d\u043e\u0435 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435, \u043f\u043e \u0446\u0435\u043d\u0442\u0440\u0443 \u0442\u043e \u0436\u0435 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435, \u043d\u043e \u0441 \u0444\u043e\u043d\u043e\u0432\u044b\u043c \u0448\u0443\u043c\u043e\u043c. \u0421\u043f\u0440\u0430\u0432\u0430 \u043d\u0430\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u043b\u043e \u0432\u043e\u0441\u0441\u0442\u0430\u043d\u043e\u0432\u043b\u0435\u043d\u043e \u0438\u0437 \u0437\u0430\u0448\u0443\u043c\u043b\u0435\u043d\u043d\u043e\u0433\u043e. \u0412\u043e\u0441\u0441\u0442\u0430\u043d\u043e\u0432\u043b\u0435\u043d\u043d\u043e\u0435 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435 \u0441\u043c\u043e\u0442\u0440\u0438\u0442\u0441\u044f \u0433\u043e\u0440\u0430\u0437\u0434\u043e \u043b\u0443\u0447\u0448\u0435, \u0447\u0435\u043c \u0435\u0433\u043e \u0437\u0430\u0448\u0443\u043c\u043b\u0435\u043d\u043d\u0430\u044f \u043a\u043e\u043f\u0438\u044f.<\/p>\n
\u0422\u0430\u043a\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c \u043d\u0430\u043c \u0443\u0434\u0430\u043b\u043e\u0441\u044c \u0447\u0430\u0441\u0442\u0438\u0447\u043d\u043e \u0443\u0431\u0440\u0430\u0442\u044c \u0444\u043e\u043d\u043e\u0432\u044b\u0439 \u0448\u0443\u043c \u0441 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043d\u043e\u0439 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u043e\u0439 \u0441\u0435\u0442\u0438. \u0421\u0443\u0449\u0435\u0441\u0442\u0432\u0443\u044e\u0442 \u0438 \u0434\u0440\u0443\u0433\u0438\u0435 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b, \u0441\u043f\u043e\u0441\u043e\u0431\u043d\u044b\u0435 \u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0442\u044c \u043d\u0430 \u0432\u0445\u043e\u0434\u0435 \u0438 \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0430\u0442\u044c \u043d\u0430 \u0432\u044b\u0445\u043e\u0434\u0435 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f. \u041a \u043f\u0440\u0438\u043c\u0435\u0440\u0443 — \u0433\u0435\u043d\u0435\u0440\u0430\u0442\u0438\u0432\u043d\u043e-\u0441\u043e\u0441\u0442\u044f\u0437\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u0435 \u043c\u043e\u0434\u0435\u043b\u0438 (GAN<\/a>).<\/p>\n
\u041a \u043e\u0433\u0440\u0430\u043d\u0438\u0447\u0435\u043d\u0438\u044f\u043c \u043d\u0430\u0448\u0435\u0439 \u043c\u043e\u0434\u0435\u043b\u0438 \u0441\u0442\u043e\u0438\u0442 \u043e\u0442\u043d\u0435\u0441\u0442\u0438 \u0442\u043e\u0442 \u0444\u0430\u043a\u0442, \u0447\u0442\u043e \u043e\u043d\u0430 \u043e\u0431\u0443\u0447\u0430\u043b\u0430\u0441\u044c \u043d\u0430 \u0438\u0441\u043a\u0443\u0441\u0441\u0442\u0432\u0435\u043d\u043d\u043e \u0437\u0430\u0448\u0443\u043c\u043b\u0435\u043d\u043d\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445 \u0441 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u043d\u044b\u043c \u043f\u0430\u0442\u0442\u0435\u0440\u043d\u043e\u043c \u0444\u043e\u043d\u0430. \u041f\u0440\u0438 \u044d\u0442\u043e\u043c \u0442\u0435\u043a\u0441\u0442 \u0431\u044b\u043b \u043d\u0430 \u0430\u043d\u0433\u043b\u0438\u0439\u0441\u043a\u043e\u043c \u044f\u0437\u044b\u043a\u0435. \u0418\u0437-\u0437\u0430 \u044d\u0442\u043e\u0433\u043e \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u0435\u0434\u043f\u043e\u043b\u043e\u0436\u0438\u0442\u044c \u0443\u0445\u0443\u0434\u0448\u0435\u043d\u0438\u0435 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0430 \u043c\u043e\u0434\u0435\u043b\u0438 \u0434\u043b\u044f \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0441 \u0442\u0435\u043a\u0441\u0442\u043e\u043c \u0434\u0440\u0443\u0433\u0438\u0445 \u044f\u0437\u044b\u043a\u043e\u0432. \u0422\u0430\u043a\u0436\u0435 \u0432 \u0440\u0435\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u0438 \u0441\u0438\u043c\u0432\u043e\u043b\u044b \u043c\u043e\u0433\u0443\u0442 \u0438\u043c\u0435\u0442\u044c \u0434\u0440\u0443\u0433\u0443\u044e \u0444\u043e\u0440\u043c\u0443. \u041d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0431\u0443\u043a\u0432\u044b \u043d\u0430 \u0438\u0437\u043c\u044f\u0442\u043e\u043c \u043b\u0438\u0441\u0442\u0435 \u0431\u0443\u0434\u0443\u0442 \u0432\u044b\u0433\u043b\u044f\u0434\u0435\u0442\u044c \u043d\u0430 \u0444\u043e\u0442\u043e \u043f\u043e\u0434 \u0443\u0433\u043b\u043e\u043c, \u043d\u0435\u0436\u0435\u043b\u0438 \u0432 \u043d\u0430\u0448\u0435\u043c \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0435, \u0433\u0434\u0435 \u0432\u0441\u0435 \u0431\u0443\u043a\u0432\u044b \u0438\u043c\u0435\u044e\u0442 \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u0443\u044e \u0444\u043e\u0440\u043c\u0443. \u0423\u0431\u0438\u0440\u0430\u043d\u0438\u0435 \u0434\u0430\u043d\u043d\u044b\u0445 \u043e\u0433\u0440\u0430\u043d\u0438\u0447\u0435\u043d\u0438\u0439 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0431\u043e\u043b\u0435\u0435 \u0441\u043b\u043e\u0436\u043d\u043e\u0439 \u0437\u0430\u0434\u0430\u0447\u0435\u0439, \u0442\u0440\u0435\u0431\u0443\u044e\u0449\u0435\u0439 \u0431\u043e\u043b\u0435\u0435 \u0441\u043b\u043e\u0436\u043d\u043e\u0439 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b. \u041f\u043e\u043c\u0438\u043c\u043e \u044d\u0442\u043e\u0433\u043e, \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0441\u043e\u0431\u0440\u0430\u0442\u044c \u0440\u0435\u043f\u0440\u0435\u0437\u0435\u043d\u0442\u0430\u0442\u0438\u0432\u043d\u044b\u0439 \u043d\u0430\u0431\u043e\u0440 \u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0434\u043e\u043b\u0436\u0435\u043d \u0441\u043e\u0434\u0435\u0440\u0436\u0430\u0442\u044c \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435 \u0432 \u0445\u043e\u0440\u043e\u0448\u0435\u043c \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u0438 \u0435\u0433\u043e \u043f\u043b\u043e\u0445\u0443\u044e \u043a\u043e\u043f\u0438\u044e.<\/p>\n
\u0421 \u043f\u043e\u043b\u043d\u044b\u043c \u043a\u043e\u0434\u043e\u043c \u043c\u043e\u0436\u043d\u043e \u043e\u0437\u043d\u0430\u043a\u043e\u043c\u0438\u0442\u044c\u0441\u044f \u043f\u043e \u0441\u0441\u044b\u043b\u043a\u0435<\/a>.<\/p>\n<\/p>\n<\/div>\n<\/div>\n<\/div>\n
<\/div>\n<\/div>\n
  
 \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438  https:\/\/habr.com\/ru\/post\/686522\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"
<\/div>\n
\n
\n
\n
\n
\u041f\u0440\u0438 \u0430\u0432\u0442\u043e\u043c\u0430\u0442\u0438\u0437\u0430\u0446\u0438\u0438 \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0435\u0439 \u0438\u043d\u043e\u0433\u0434\u0430 \u043f\u0440\u0438\u0445\u043e\u0434\u0438\u0442\u0441\u044f \u0438\u043c\u0435\u0442\u044c \u0434\u0435\u043b\u043e \u0441\u043e \u0441\u043a\u0430\u043d\u0430\u043c\u0438 \u043f\u043b\u043e\u0445\u043e\u0433\u043e \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0430. \u041e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u0443\u0434\u0440\u0443\u0447\u0430\u0435\u0442 \u0441\u0438\u0442\u0443\u0430\u0446\u0438\u044f, \u043f\u0440\u0438 \u043a\u043e\u0442\u043e\u0440\u043e\u0439 \u0432\u043c\u0435\u0441\u0442\u043e \u0441\u043a\u0430\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0433\u043e \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430 \u043f\u0440\u0435\u0434\u043e\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0444\u043e\u0442\u043e \u0441 \u0442\u0435\u043b\u0435\u0444\u043e\u043d\u0430.<\/p>\n
\u0412 \u043e\u0431\u043b\u0430\u0441\u0442\u0438 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u043e\u0432 \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u0443\u0435\u0442 \u0446\u0435\u043b\u044b\u0439 \u0440\u044f\u0434 \u0437\u0430\u0434\u0430\u0447, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0440\u0435\u0448\u0430\u044e\u0442\u0441\u044f \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f. \u0421 \u043f\u0440\u0438\u043c\u0435\u0440\u043d\u044b\u043c \u0441\u043f\u0438\u0441\u043a\u043e\u043c \u043c\u043e\u0436\u043d\u043e \u043e\u0437\u043d\u0430\u043a\u043e\u043c\u0438\u0442\u044c\u0441\u044f \u0432\u00a0\u0434\u0430\u043d\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0435<\/a>. \u0412 \u044d\u0442\u043e\u043c \u0440\u0443\u043a\u043e\u0432\u043e\u0434\u0441\u0442\u0432\u0435 \u044f \u043f\u0440\u0435\u0434\u043b\u0430\u0433\u0430\u044e \u0440\u0435\u0448\u0435\u043d\u0438\u0435 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u044b \u0440\u0430\u0437\u043b\u0438\u0447\u043d\u044b\u0445 \u043f\u043e\u043c\u0435\u0445 \u043d\u0430 \u0444\u043e\u0442\u043e \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u043c\u043e\u0433\u0443\u0442 \u0432\u043e\u0437\u043d\u0438\u043a\u043d\u0443\u0442\u044c \u043f\u0440\u0438 \u043f\u043b\u043e\u0445\u043e\u043c \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u0441\u044a\u0435\u043c\u043a\u0438 \u0438\u043b\u0438 \u043f\u043b\u043e\u0445\u043e\u043c \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u0441\u0430\u043c\u043e\u0433\u043e \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u0430.<\/p>\n
\u0414\u043b\u044f \u0431\u043e\u0440\u044c\u0431\u044b \u0441 \u043f\u043e\u043c\u0435\u0445\u0430\u043c\u0438 \u043d\u0430 \u0444\u043e\u0442\u043e \u0431\u0443\u0434\u0443 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0430\u0432\u0442\u043e\u044d\u043d\u043a\u043e\u0434\u0435\u0440 \u043d\u0430 \u043e\u0441\u043d\u043e\u0432\u0435 \u0441\u0432\u0435\u0440\u0442\u043e\u0447\u043d\u043e\u0439 \u0441\u0435\u0442\u0438.<\/p>\n
\u0420\u0430\u0431\u043e\u0442\u0430\u0442\u044c \u0431\u0443\u0434\u0443 \u0432 \u043e\u0431\u043b\u0430\u0447\u043d\u043e\u043c \u0441\u0435\u0440\u0432\u0438\u0441\u0435 Google Colab.<\/p>\n
\u0414\u043b\u044f \u043d\u0430\u0447\u0430\u043b\u0430 \u0441\u043a\u0430\u0447\u0430\u044e \u043d\u0430\u0431\u043e\u0440 \u0434\u0430\u043d\u043d\u044b\u0445 \u0441 \u0444\u043e\u0442\u043e\u0433\u0440\u0430\u0444\u0438\u044f\u043c\u0438 \u0434\u043e\u043a\u0443\u043c\u0435\u043d\u0442\u043e\u0432 \u043d\u0430 \u0430\u043d\u0433\u043b\u0438\u0439\u0441\u043a\u043e\u043c \u044f\u0437\u044b\u043a\u0435 \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e API \u0441\u0430\u0439\u0442\u0430 kaggle.com, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043f\u043e\u043f\u0443\u043b\u044f\u0440\u043d\u043e\u0439 \u043f\u043b\u0430\u0442\u0444\u043e\u0440\u043c\u043e\u0439 \u0434\u043b\u044f \u0441\u043e\u0440\u0435\u0432\u043d\u043e\u0432\u0430\u043d\u0438\u0439 \u043f\u043e Data Science. \u0414\u043b\u044f \u0442\u043e\u0433\u043e, \u0447\u0442\u043e\u0431\u044b \u0432\u043e\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c\u0441\u044f API \u0441\u0430\u0439\u0442\u0430, \u043d\u0443\u0436\u043d\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0444\u0430\u0439\u043b\u00a0kaggle.json<\/em>\u00a0\u0438\u0437 \u043b\u0438\u0447\u043d\u043e\u0433\u043e \u043a\u0430\u0431\u0438\u043d\u0435\u0442\u0430, \u0441\u043b\u0435\u0434\u0443\u044f\u00a0\u0438\u043d\u0441\u0442\u0440\u0443\u043a\u0446\u0438\u0438<\/a>.<\/p>\n
!pip install -q kaggle from google.colab import files  files.upload() !mkdir ~\/.kaggle !cp kaggle.json ~\/.kaggle\/ !chmod 600 ~\/.kaggle\/kaggle.json  !kaggle datasets download -d uurdeep\/cleaning-dirty-documents-unzipped<\/code><\/pre>\n
\u0420\u0430\u0437\u0430\u0440\u0445\u0438\u0432\u0438\u0440\u0443\u044e \u0441\u043a\u0430\u0447\u0430\u043d\u043d\u044b\u0439 \u0430\u0440\u0445\u0438\u0432 \u0441 \u0434\u0430\u043d\u043d\u044b\u043c\u0438. \u0414\u043e\u043b\u0436\u043d\u043e \u043f\u043e\u044f\u0432\u0438\u0442\u044c\u0441\u044f \u0434\u0432\u0435 \u043f\u0430\u043f\u043a\u0438. \u0412 \u043e\u0434\u043d\u043e\u0439 \u043d\u0430\u0445\u043e\u0434\u044f\u0442\u0441\u044f \u0437\u0430\u0448\u0443\u043c\u043b\u0435\u043d\u043d\u044b\u0435 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f (train<\/em>), \u0432 \u0434\u0440\u0443\u0433\u043e\u0439 \u0447\u0438\u0441\u0442\u044b\u0435 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f (train_cleaned<\/em>).<\/p>\n
!unzip -q cleaning-dirty-documents-unzipped.zip<\/code><\/pre>\n
\u0418\u043c\u043f\u043e\u0440\u0442\u0438\u0440\u0443\u044e \u043d\u0443\u0436\u043d\u044b\u0435 \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438. \u0414\u043b\u044f \u0441\u043e\u0437\u0434\u0430\u043d\u0438\u044f \u0438 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043c\u043e\u0434\u0435\u043b\u0438 \u0431\u0443\u0434\u0443 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0443 PyTorch.<\/p>\n
import os import cv2 import torch import numpy as np import torchvision import torch.nn as nn import torch.optim as optim import torch.nn.functional as F   from google.colab.patches import cv2_imshow from tqdm import tqdm from torchsummary import summary from torch.utils.data import Dataset, DataLoader from torchvision.transforms import transforms from torchvision.utils import save_image from sklearn.model_selection import train_test_split<\/code><\/pre>\n
\u0420\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c, \u0447\u0442\u043e \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u044e\u0442 \u0438\u0437 \u0441\u0435\u0431\u044f \u0434\u0430\u043d\u043d\u044b\u0435:<\/p>\n
import matplotlib.pyplot as plt import matplotlib.image as mpimg  img = os.listdir('\/content\/train')[0] fig, ax = plt.subplots(1,2, figsize=(20, 10)) img_noisy = mpimg.imread(f'\/content\/train\/{img}') img_clean = mpimg.imread(f'\/content\/train_cleaned\/{img}')  ax[0].imshow(img_noisy, cmap='gray') ax[0].axis('off') ax[0].set_title('Noisy', fontsize = 20)  ax[1].imshow(img_clean, cmap='gray') ax[1].axis('off') ax[1].set_title('Clean', fontsize = 20); <\/code><\/pre>\n
\u0421\u0444\u043e\u0440\u043c\u0438\u0440\u0443\u044e \u0432\u044b\u0431\u043e\u0440\u043a\u0443 \u0434\u043b\u044f \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043a\u0438 \u043c\u043e\u0434\u0435\u043b\u0438 \u0438 \u0434\u043b\u044f \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0438 \u0435\u0451 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0430:<\/p>\n
train_imgs, test_imgs = train_test_split(os.listdir('\/content\/train'), test_size=0.33, random_state=123)<\/code><\/pre>\n
\u0412\u044b\u0431\u0435\u0440\u0443 \u0443\u0441\u0442\u0440\u043e\u0439\u0441\u0442\u0432\u043e, \u043d\u0430 \u043a\u043e\u0442\u043e\u0440\u043e\u043c \u0431\u0443\u0434\u0435\u0442 \u043e\u0431\u0443\u0447\u0430\u0442\u044c\u0441\u044f \u043c\u043e\u0434\u0435\u043b\u044c:<\/p>\n
device = 'cuda:0' if torch.cuda.is_available() else 'cpu' print(device)<\/code><\/pre>\n
\u0414\u043b\u044f \u0443\u0434\u043e\u0431\u0441\u0442\u0432\u0430 \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0434\u0430\u043d\u043d\u044b\u043c\u0438 \u0441\u043e\u0437\u0434\u0430\u043c \u0432\u0441\u043f\u043e\u043c\u043e\u0433\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u0439 \u043a\u043b\u0430\u0441\u0441 \u043d\u0430 \u043e\u0441\u043d\u043e\u0432\u0435\u00a0torch.utils.data.Dataset<\/code>. \u041f\u0435\u0440\u0435\u043e\u043f\u0440\u0435\u0434\u0435\u043b\u044e \u043c\u0435\u0442\u043e\u0434\u044b\u00a0__len__<\/code>\u00a0\u0438\u00a0__getitem__<\/code>\u00a0\u043f\u043e\u0434 \u043d\u0430\u0448\u0438 \u0434\u0430\u043d\u043d\u044b\u0435.<\/p>\n
\u0414\u0430\u043d\u043d\u044b\u0439 \u043a\u043b\u0430\u0441\u0441 \u0431\u0443\u0434\u0435\u0442 \u043f\u0440\u0438\u043d\u0438\u043c\u0430\u0442\u044c \u043d\u0430 \u0432\u0445\u043e\u0434 \u043f\u0443\u0442\u044c \u043a \u043f\u0430\u043f\u043a\u0435 \u0441 \u0437\u0430\u0448\u0443\u043c\u043b\u0435\u043d\u043d\u044b\u043c\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u043c\u0438, \u0441\u0430\u043c \u0441\u043f\u0438\u0441\u043e\u043a \u0441 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u043c\u0438 \u0438, \u0435\u0449\u0435 \u043f\u043e \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e\u0441\u0442\u0438, \u043f\u0443\u0442\u044c \u0434\u043e \u0447\u0438\u0441\u0442\u044b\u0445 \u0444\u0430\u0439\u043b\u043e\u0432 \u0438 \u043e\u0431\u044a\u0435\u043a\u0442 \u043a\u043b\u0430\u0441\u0441\u0430\u00a0torchvision.transforms.transforms<\/code>, \u0441\u043e\u0434\u0435\u0440\u0436\u0430\u0449\u0438\u0439 \u0441\u043f\u0438\u0441\u043e\u043a \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0439 \u043d\u0430\u0434 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u043c\u0438. \u041f\u0440\u0438 \u043e\u0431\u0440\u0430\u0449\u0435\u043d\u0438\u0438 \u043f\u043e \u0438\u043d\u0434\u0435\u043a\u0441\u0443 \u0434\u0430\u043d\u043d\u044b\u0439 \u043a\u043b\u0430\u0441\u0441 \u0431\u0443\u0434\u0435\u0442 \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0430\u0442\u044c \u043a\u043e\u0440\u0442\u0435\u0436 \u0438\u0437 \u0437\u0430\u0448\u0443\u043c\u043b\u0435\u043d\u043d\u043e\u0433\u043e \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u0432 \u0444\u043e\u0440\u043c\u0430\u0442\u0435\u00a0torch.Tensor<\/code>\u00a0\u0438 \u0435\u0433\u043e \u043d\u0430\u0437\u0432\u0430\u043d\u0438\u0435 \u0432 \u043a\u0430\u0442\u0430\u043b\u043e\u0433\u0435. \u0415\u0441\u043b\u0438 \u0443\u043a\u0430\u0437\u0430\u043d\u0430 \u0434\u0438\u0440\u0435\u043a\u0442\u043e\u0440\u0438\u044f \u0434\u043b\u044f \u0447\u0438\u0441\u0442\u044b\u0445 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439, \u0442\u043e \u0431\u0443\u0434\u0435\u0442 \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0435\u043d\u043e \u0435\u0449\u0435 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435 \u0431\u0435\u0437 \u0448\u0443\u043c\u0430.<\/p>\n
class NoisyCleanDataset(Dataset):     def __init__(self, noisy_path, images, clean_path=None, transforms=None):         self.noisy_path = noisy_path         self.clean_path = clean_path         self.images = images         self.transforms = transforms               def __len__(self):         return (len(self.images))          def __getitem__(self, i):         noisy_image = cv2.imread(f\"{self.noisy_path}\/{self.images[i]}\")         noisy_image = cv2.cvtColor(noisy_image, cv2.COLOR_BGR2GRAY)                  if self.transforms:             noisy_image = self.transforms(noisy_image)                      if self.clean_path is not None:             clean_image = cv2.imread(f\"{self.clean_path}\/{self.images[i]}\")             clean_image = cv2.cvtColor(clean_image, cv2.COLOR_BGR2GRAY)             clean_image = self.transforms(clean_image)             return (noisy_image, clean_image, self.images[i])         else:             return (noisy_image, self.images[i])<\/code><\/pre>\n
\u041e\u043f\u0440\u0435\u0434\u0435\u043b\u044e \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438 \u0434\u043b\u044f \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u0432 \u043f\u0435\u0440\u0435\u043c\u0435\u043d\u043d\u043e\u0439\u00a0transform<\/code>. \u041f\u0440\u0438 \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u0438 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435 \u0431\u0443\u0434\u0435\u0442 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u043e \u043f\u043e\u0434 \u0440\u0430\u0437\u043c\u0435\u0440 400 \u043d\u0430 400 \u043f\u0438\u043a\u0441\u0435\u043b\u0435\u0439 \u0438 \u0432\u043e\u0437\u0432\u0440\u0430\u0449\u0435\u043d\u043e \u0432 \u0444\u043e\u0440\u043c\u0430\u0442\u0435\u00a0torch.Tensor<\/code>.<\/p>\n
transform = transforms.Compose([     transforms.ToPILImage(),     transforms.Resize((400, 400)),     transforms.ToTensor(), ])<\/code><\/pre>\n
\u0421\u043e\u0437\u0434\u0430\u043c \u043c\u043e\u0434\u0435\u043b\u044c. \u041e\u043d\u0430 \u0431\u0443\u0434\u0435\u0442 \u0441\u043e\u0441\u0442\u043e\u044f\u0442\u044c \u0438\u0437 \u0434\u0432\u0443\u0445 \u0431\u043b\u043e\u043a\u043e\u0432. \u041f\u0435\u0440\u0432\u044b\u0439 \u0431\u043b\u043e\u043a (\u044d\u043d\u043a\u043e\u0434\u0435\u0440) \u0443\u043c\u0435\u043d\u044c\u0448\u0430\u0435\u0442 \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f, \u0438\u0437\u0432\u043b\u0435\u043a\u0430\u044f \u0438\u0437 \u043d\u0435\u0433\u043e \u043d\u0443\u0436\u043d\u044b\u0435 \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0438. \u0412\u0442\u043e\u0440\u043e\u0439 \u0431\u043b\u043e\u043a (\u0434\u0435\u043a\u043e\u0434\u0435\u0440) \u043f\u044b\u0442\u0430\u0435\u0442\u0441\u044f \u0432\u043e\u0441\u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u044c \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u043f\u043e \u0438\u0437\u0432\u043b\u0435\u0447\u0435\u043d\u043d\u044b\u043c \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u0430\u043c.<\/p>\n
class Autoencoder(nn.Module):     def __init__(self):         super(Autoencoder, self).__init__()              self.encoder = nn.Sequential(             nn.Conv2d(1, 128, kernel_size=5, padding=2),             nn.ReLU(),             nn.MaxPool2d(kernel_size=2),             nn.Conv2d(128, 128, kernel_size=3, padding=1),             nn.ReLU()         )                  self.decoder = nn.Sequential(             nn.Conv2d(128, 1, kernel_size=3, padding=1),             nn.Sigmoid()         )      def forward(self, x):         encoded = self.encoder(x)         decoded = nn.functional.interpolate(encoded, scale_factor=2)         decoded = self.decoder(decoded)         return decoded<\/code><\/pre>\n
\u0421\u043e\u0437\u0434\u0430\u043c \u043a\u043b\u0430\u0441\u0441, \u0432 \u043a\u043e\u0442\u043e\u0440\u043e\u043c \u0440\u0435\u0430\u043b\u0438\u0437\u0443\u0435\u043c \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0438 \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u043d\u0438\u0435 \u043c\u043e\u0434\u0435\u043b\u0438. \u0410 \u0442\u0430\u043a\u0436\u0435 \u0434\u043e\u0431\u0430\u0432\u043b\u044e \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u0432\u044b\u0432\u043e\u0434\u0438\u0442\u044c \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u044e \u043e \u043c\u043e\u0434\u0435\u043b\u0438, \u0441\u043e\u0445\u0440\u0430\u043d\u044f\u0442\u044c \u0438 \u0437\u0430\u0433\u0440\u0443\u0436\u0430\u0442\u044c \u0432\u0435\u0441\u0430 \u043c\u043e\u0434\u0435\u043b\u0438.<\/p>\n
class MyModel():     def __init__(self, Dataset, Model, transforms):         self.Dataset = Dataset         self.model = Model().to(device)         self.transform = transforms      def load_weights(self, path):         if device == 'cpu':             self.model.load_state_dict(torch.load(path, map_location=torch.device('cpu')))         else:             self.model.load_state_dict(torch.load(path))      def save_weights(self, path):         torch.save(self.model.state_dict(), path)      def show_info(self):         print(summary(self.model, (1, 400, 400)))      def fit(self, n_epochs, noisy_path, clean_path, train_imgs, test_imgs):                  train_data = self.Dataset(noisy_path, train_imgs, clean_path, self.transform)         val_data = self.Dataset(noisy_path, test_imgs, clean_path, self.transform)                  trainloader = DataLoader(train_data, batch_size=4, shuffle=True)         valloader = DataLoader(val_data, batch_size=4, shuffle=False)         criterion = nn.MSELoss()         optimizer = optim.Adam(self.model.parameters(), lr=0.001)         scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(                  optimizer,                 mode='min',                 patience=5,                 factor=0.5,                 verbose=True             )          self.model.train()         self.train_loss = []         self.val_loss = []         running_loss = 0.0          for epoch in range(n_epochs):             self.model.train()             for i, data in enumerate(trainloader):                 noisy_img = data[0]                 clean_img = data[1]                 noisy_img = noisy_img.to(device)                 clean_img = clean_img.to(device)                 optimizer.zero_grad()                 outputs = self.model(noisy_img)                 loss = criterion(outputs, clean_img)                 loss.backward()                 optimizer.step()                 running_loss += loss.item()                 if i % 10 == 0:                     print(f'Epoch {epoch+1} batch {i}: Loss {loss.item()\/4}')             self.train_loss.append(running_loss\/len(trainloader.dataset))             print('Validation ...')             self.model.eval()             running_loss = 0.0             with torch.no_grad():                 for i, data in tqdm(enumerate(valloader), total=int(len(val_data)\/valloader.batch_size)):                     noisy_img = data[0]                     clean_img = data[1]                     noisy_img = noisy_img.to(device)                     clean_img = clean_img.to(device)                     outputs = self.model(noisy_img)                     loss = criterion(outputs, clean_img)                     running_loss += loss.item()                 current_val_loss = running_loss\/len(valloader.dataset)                 self.val_loss.append(current_val_loss)                 print(f\"Val Loss: {current_val_loss:.5f}\")      def predict(self, img):         os.makedirs('outputs', exist_ok=True)         self.model.eval()         if type(img) == str:             if os.path.isfile(img):                 filename = os.path.basename(img)                 img = cv2.imread(img)                 img  = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)                 img = self.transform(img).to(device)                 img = self.model(img)                 img = img.detach().cpu().permute(1,2,0).numpy()                 cv2.imwrite(f'outputs\/{filename}', img*255)             else:                 images = os.listdir(img)                 predictDataset = self.Dataset(img, images, transforms=self.transform)                 predictDataloader = DataLoader(predictDataset, batch_size=4, shuffle=False)                 with torch.no_grad():                     for i, data in tqdm(enumerate(predictDataloader), total=int(len(predictDataset)\/predictDataloader.batch_size)):                         noisy_img = data[0]                         noisy_img = noisy_img.to(device)                         outputs = self.model(noisy_img)                         for im, image_name in zip(outputs, data[1]):                             im = im.detach().cpu().permute(1,2,0).numpy()                             cv2.imwrite(f'outputs\/{image_name}', im*255)         if type(img) == np.ndarray:             if img.shape[2] == 3:                 img  =<\/code><\/pre>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-337991","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/337991","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=337991"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/337991\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=337991"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=337991"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=337991"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}