©2020-2024 ioDraw All rights reserved
<>基本概念
<>生成器
生成对抗网络中的一部分，用于从随机数据或其他分布的数据中生成一个与训练集类似的数据.。
<>判别器
也是生成对抗网络中的一部分，用于识别出哪些是有生成网络生成的“假”数据，哪些是真正的训练集数据。
<>生成对抗网络
生成对抗网络的目的就是生成不存在的数据，类似于让人工智能拥有想象力。
在一个图像生成对抗网络中，生成器负责生成假图像，这里认为训练集是真图像，而判别器负责判别图像真假。“对抗”的含义就是生成器通过不断的训练尽可能的生成以假乱真的图像，判别器通过不断的识别尽可能的区分图像的真假。
生成器的训练过程，简单来说就是，给定网络，给定标签，然后更新输入（这里是随机数据，可以符合一定的分布），使输出图像对应的标签逐渐靠近给定的标签；判别器的训练过程和一般神经网络的训练类似。
总结一下，模型通过 “ Generator生成器” 生成图像，并与真实图像一起输入 “Discriminator判别器”
进行判别。“Discriminator判别器” 通过 loss 以“真实图像为真，生成图像为假” 进行参数更新，而 “ Generator生成器” 通过
loss 以 “生成图像为真” 进行参数更新。
<>测试代码
import tensorflow as tf import matplotlib.pyplot as plt (train_images,
train_labels), (_, _) = tf.keras.datasets.mnist.load_data() train_images =
train_images.reshape((-1, 28, 28, 1)).astype("float32") # 由于tanh函数的值域为(-1,
1)，故这里应该将像素值统一到(-1, 1) train_images = (train_images - 127.5) / 127.5 #
将图像数组转换成张量 datasets = tf.data.Dataset.from_tensor_slices(train_images) #
将这60000个张量打乱，每一批有256个张量 datasets = datasets.shuffle(60000).batch(256) # 参数
n_dim = 100 batch_size = 256 epochs = 10 # 生成器 # 输入格式(batch_size, 100) =>
输出格式(batch_size, 28, 28, 1) generator = tf.keras.Sequential([
tf.keras.layers.Dense(3 * 3 * 512), tf.keras.layers.Reshape([3, 3, 512]),
tf.keras.layers.Conv2DTranspose(256, 3, 2, activation="relu"),
tf.keras.layers.BatchNormalization(), tf.keras.layers.Conv2DTranspose(128, 2,
2, activation="relu"), tf.keras.layers.BatchNormalization(),
tf.keras.layers.Conv2DTranspose(64, 2, 2, activation="tanh"),
tf.keras.layers.Dense(1), tf.keras.layers.Reshape([28, 28, 1]) ]) # 辨别器 #
输入格式(batch_size, 28, 28, 1) => 输出格式(batch_size, 1) discriminator =
tf.keras.Sequential([ tf.keras.layers.Reshape([28, 28, 1]),
tf.keras.layers.Conv2D(64, 4, 2, activation="relu"),
tf.keras.layers.BatchNormalization(), tf.keras.layers.Conv2D(128, 4, 3,
activation="relu"), tf.keras.layers.BatchNormalization(),
tf.keras.layers.Conv2D(256, 4, 3, activation="relu"),
tf.keras.layers.Flatten(), tf.keras.layers.Dense(1), ]) # 优化器 g_optimizer =
tf.optimizers.Adam(learning_rate=1e-4) d_optimizer =
tf.optimizers.Adam(learning_rate=1e-4) # 损失函数 # 判别器的输出用的是二分类的one-hot编码 loss =
tf.losses.BinaryCrossentropy(from_logits=True) # 训练模型 for i in range(epochs):
for real_images in datasets: noise = tf.random.normal([batch_size, n_dim]) with
tf.GradientTape() as g_tape, tf.GradientTape() as d_tape: fake_images =
generator(noise, training=True) fake_out = discriminator(fake_images,
training=True) real_out = discriminator(real_images, training=True) g_loss =
loss(tf.ones_like(fake_out), fake_out) d_loss = loss(tf.zeros_like(fake_out),
fake_out) + loss(tf.ones_like(real_out), real_out) g_gradient =
g_tape.gradient(g_loss, generator.trainable_variables) d_gradient =
d_tape.gradient(d_loss, discriminator.trainable_variables)
g_optimizer.apply_gradients(zip(g_gradient, generator.trainable_variables))
d_optimizer.apply_gradients(zip(d_gradient, discriminator.trainable_variables))
# 预测结果 test_noise = tf.random.normal([16, n_dim]) pre_images =
generator(test_noise, training=False) fig = plt.figure(1) for i in range(16):
plt.subplot(4, 4, i+1) plt.imshow((pre_images[i, :, :, 0] + 1)/2)
plt.axis('off') plt.show()
<>测试结果
第一张图是训练集选取的部分图片，第二张图片是由生成器产生的图片，可以看出，通过多次训练，生成可以生成比较接近训练集图片的图片。这里只训练了10轮，通过增加训练轮数，生成器产生的图像会更加接近训练集的图像。