使用昇思MindSpore实现广告Banner图片生成：从理论到实践（上）

经验分享 Tech Blogs 应用实践-Application Cases
1

1.1.1 案例介绍

本文将详细介绍如何使用昇思MindSpore框架构建生成对抗网络(GAN)来创造独特的广告Banner图片，为数字营销提供AI助力。

在数字营销时代，吸引眼球的广告Banner对于品牌推广至关重要。然而，手动设计大量高质量的Banner既耗时又费力。本文将展示如何利用昇思MindSpore框架和生成对抗网络(GAN)技术，自动生成具有视觉吸引力的广告Banner图片。

生成对抗网络(GAN)简介：GAN由两个神经网络组成：生成器(Generator)和判别器(Discriminator)。生成器负责创建假数据，而判别器则尝试区分真实数据和生成数据。通过这种对抗训练过程，生成器逐渐学会生成越来越逼真的数据。

昇思MindSpore框架：MindSpore是华为开源的深度学习框架，以其高效的计算性能和简洁的API设计而闻名。它特别适合构建和训练复杂的神经网络模型。

1.1.2 环境设置与数据准备

首先，我们需要设置MindSpore环境并准备训练数据：

import mindspore as ms
import mindspore.nn as nn
import mindspore.ops as ops
from mindspore import dataset as ds
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
import os

# 设置运行模式
ms.set_context(mode=ms.PYNATIVE_MODE)
# 设置设备
ms.set_device(device_target="CPU")

数据预处理是训练成功的关键。我们创建了一个自定义数据集类来处理本地图片：
本地图片：

微信截图_20251010104507
微信截图_20251010104507362×214 19.4 KB

# 数据路径
data_path = "./data/"
# 创建自定义数据集类
class BannerDataset:
    def __init__(self, data_dir):
        self.data_dir = data_dir
        self.image_paths = [os.path.join(data_dir, f) for f in os.listdir(data_dir) 
                           if f.endswith(('.png', '.jpg', '.jpeg'))]
        print(f"找到 {len(self.image_paths)} 张图片")
    
    def __len__(self):
        return len(self.image_paths)
    
    def __getitem__(self, idx):
        img_path = self.image_paths[idx]
        image = Image.open(img_path).convert('RGB')
        image = image.resize((64, 64))  # 统一尺寸
        image = np.array(image).transpose(2, 0, 1)  # 转为CHW格式
        image = image / 255.0  # 归一化
        image = (image - 0.5) / 0.5  # 归一化到[-1, 1]范围
        return image.astype(np.float32)

1.1.3 构建生成器网络

生成器负责从随机噪声中创建图片。我们使用转置卷积层来逐步上采样：

# 构建生成器
class Generator(nn.Cell):
    def __init__(self, latent_dim=100):
        super(Generator, self).__init__()
        self.latent_dim = latent_dim
        
        self.main = nn.SequentialCell([
            nn.Conv2dTranspose(latent_dim, 512, 4, stride=1, padding=0, has_bias=False, pad_mode='valid'),
            nn.BatchNorm2d(512),
            nn.ReLU(),
            nn.Conv2dTranspose(512, 256, 4, stride=2, padding=1, has_bias=False, pad_mode='pad'),
            nn.BatchNorm2d(256),
            nn.ReLU(),
            nn.Conv2dTranspose(256, 128, 4, stride=2, padding=1, has_bias=False, pad_mode='pad'),
            nn.BatchNorm2d(128),
            nn.ReLU(),
            nn.Conv2dTranspose(128, 64, 4, stride=2, padding=1, has_bias=False, pad_mode='pad'),
            nn.BatchNorm2d(64),
            nn.ReLU(),
            nn.Conv2dTranspose(64, 3, 4, stride=2, padding=1, has_bias=False, pad_mode='pad'),
            nn.Tanh()
        ])
    
    def construct(self, x):
        return self.main(x)

1.1.4 构建判别器网络

判别器评估输入图片的真实性：

# 构建判别器
class Discriminator(nn.Cell):
    def __init__(self):
        super(Discriminator, self).__init__()
        
        self.main = nn.SequentialCell([
            nn.Conv2d(3, 64, 4, stride=2, padding=1, has_bias=False, pad_mode='pad'),
            nn.LeakyReLU(0.2),
            nn.Conv2d(64, 128, 4, stride=2, padding=1, has_bias=False, pad_mode='pad'),
            nn.BatchNorm2d(128),
            nn.LeakyReLU(0.2),
            nn.Conv2d(128, 256, 4, stride=2, padding=1, has_bias=False, pad_mode='pad'),
            nn.BatchNorm2d(256),
            nn.LeakyReLU(0.2),
            nn.Conv2d(256, 512, 4, stride=2, padding=1, has_bias=False, pad_mode='pad'),
            nn.BatchNorm2d(512),
            nn.LeakyReLU(0.2),
            nn.Conv2d(512, 1, 4, stride=1, padding=0, has_bias=False, pad_mode='valid'),
            nn.Sigmoid()
        ])
    
    def construct(self, x):
        return self.main(x).view(-1)

# 创建数据集
print("正在加载数据集...")
banner_ds = BannerDataset(data_path)
dataset = ds.GeneratorDataset(banner_ds, ["image"], shuffle=True)
dataset = dataset.batch(4, drop_remainder=True)

# 初始化网络
print("初始化网络...")
latent_dim = 100
netG = Generator(latent_dim)
netD = Discriminator()

# 定义损失函数和优化器
criterion = nn.BCELoss()
optimizerG = nn.Adam(netG.trainable_params(), learning_rate=0.0002, beta1=0.5)
optimizerD = nn.Adam(netD.trainable_params(), learning_rate=0.0002, beta1=0.5)

运行结果：

图片1
使用昇思MindSpore实现广告Banner图片生成：从理论到实践（中）
使用昇思MindSpore实现广告Banner图片生成：从理论到实践（下）