作者:养生的控制人
地址:https://www.zhihu.com/people/yilan-zhong-shan-xiao-29-98
本文主要是个简单的笔记,参考资料来自下面三部分
01
神经网络一览
各种神经网络(全连接前向网络、卷积神经网络、循环神经网络)的区别在于具有不同的输入/输出形式,比如可以是向量、矩阵或者是向量序列等。
02
GAN的基本思想
GAN由生成器和判别器组成:
生成器的本质也是一个神经网络,或者说是一个函数
如果给定一个向量可以生成一张漫画图片,向量的每一个维度具有不同含义
判别器的本质也是一个神经网络
如果给定一张图片,判别器就会告诉你这是不是真实图片
所以GAN的训练本质就是训练两个神经网络。
03
GAN的工作原理
生成器的目标是产生和训练数据相似的数据(以假乱真的图片),而判别器的目标是辨别真假。
生成器的输入通常为随机噪声,判别器有两个输入,一个来自训练数据中的真图片,一个来自生成器生成的假图片。
GAN的流程如下图所示
每一次迭代过程中:
GAN训练的目标函数如下所示
04
GAN的实现
这里采用 MNIST 数据集作为实验数据,最后我们会看到生成器能够产生看起来像真的数字!
导入需要用到的库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
import keras
from keras.layers import Dense, Dropout, Input
from keras.models import Model,Sequential
from keras.datasets import mnist
from tqdm import tqdm
from keras.layers.advanced_activations import LeakyReLU
from keras.optimizers import Adam
导入数据
def load_data():
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = (x_train.astype(np.float32) - 127.5)/127.5
# 将图片转为向量 x_train from (60000, 28, 28) to (60000, 784)
# 每一行 784 个元素
x_train = x_train.reshape(60000, 784)
return (x_train, y_train, x_test, y_test)
(X_train, y_train,X_test, y_test)=load_data()
print(X_train.shape)
定义优化器
def adam_optimizer():
return Adam(lr=0.0002, beta_1=0.5)
这里要采用的生成对抗网络的结构如下图所示
定义生成器:输入是 100 维,经过三层隐藏层,输出 784 维的向量(造假的图片)
def create_generator():
generator=Sequential()
generator.add(Dense(units=256,input_dim=100))
generator.add(LeakyReLU(0.2))
generator.add(Dense(units=512))
generator.add(LeakyReLU(0.2))
generator.add(Dense(units=1024))
generator.add(LeakyReLU(0.2))
generator.add(Dense(units=784, activation='tanh'))
generator.compile(loss='binary_crossentropy', optimizer=adam_optimizer())
return generator
g=create_generator()
g.summary()
定义判别器:判别器的输入为真实图片或者由生成器造出来的假图片(784维),经过三层隐藏层,输出类别(1 维)
def create_discriminator():
discriminator=Sequential()
discriminator.add(Dense(units=1024,input_dim=784))
discriminator.add(LeakyReLU(0.2))
discriminator.add(Dropout(0.3))
discriminator.add(Dense(units=512))
discriminator.add(LeakyReLU(0.2))
discriminator.add(Dropout(0.3))
discriminator.add(Dense(units=256))
discriminator.add(LeakyReLU(0.2))
discriminator.add(Dense(units=1, activation='sigmoid'))
discriminator.compile(loss='binary_crossentropy', optimizer=adam_optimizer())
return discriminator
d =create_discriminator()
d.summary()
定义生成对抗网络
def create_gan(discriminator, generator):
discriminator.trainable=False
# 这是一个链式模型:输入经过生成器、判别器得到输出
gan_input = Input(shape=(100,))
x = generator(gan_input)
gan_output= discriminator(x)
gan= Model(inputs=gan_input, outputs=gan_output)
gan.compile(loss='binary_crossentropy', optimizer='adam')
return gan
gan = create_gan(d,g)
gan.summary()
定义画图函数来可视化图片的生成
def plot_generated_images(epoch, generator, examples=100, dim=(10,10), figsize=(10,10)):
noise= np.random.normal(loc=0, scale=1, size=[examples, 100])
generated_images = generator.predict(noise)
generated_images = generated_images.reshape(100,28,28)
plt.figure(figsize=figsize)
for i in range(generated_images.shape[0]):
plt.subplot(dim[0], dim[1], i+1)
plt.imshow(generated_images[i], interpolation='nearest')
plt.axis('off')
plt.tight_layout()
plt.savefig('gan_generated_image %d.png' %epoch)
生成对抗网络的训练函数
def training(epochs=1, batch_size=128):
#导入数据
(X_train, y_train, X_test, y_test) = load_data()
batch_count = X_train.shape[0] / batch_size
# 定义生成器、判别器和GAN网络
generator= create_generator()
discriminator= create_discriminator()
gan = create_gan(discriminator, generator)
for e in range(1,epochs+1 ):
print("Epoch %d" %e)
for _ in tqdm(range(int(batch_count))):
#产生噪声喂给生成器
noise= np.random.normal(0,1, [batch_size, 100])
# 产生假图片
generated_images = generator.predict(noise)
# 一组随机真图片
image_batch =X_train[np.random.randint(low=0,high=X_train.shape[0],size=batch_size)]
# 真假图片拼接
X= np.concatenate([image_batch, generated_images])
# 生成数据和真实数据的标签
y_dis=np.zeros(2*batch_size)
y_dis[:batch_size]=0.9
# 预训练,判别器区分真假
discriminator.trainable=True
discriminator.train_on_batch(X, y_dis)
# 欺骗判别器 生成的图片为真的图片
noise= np.random.normal(0,1, [batch_size, 100])
y_gen = np.ones(batch_size)
# GAN的训练过程中判别器的权重需要固定
discriminator.trainable=False
# GAN的训练过程为交替“训练判别器”和“固定判别器权重训练链式模型”
gan.train_on_batch(noise, y_gen)
if e == 1 or e % 50 == 0:
# 画图 看一下生成器能生成什么
plot_generated_images(e, generator)
training(400,256)
经过训练后生成的图片
一个epoch后生成器还是个小学生
100个epoch后生成器已经有点样子了
400个epoch后生成器可以出师了
是不是已经学得像模像样了,这样就能够利用噪声通过生成器来生成以假乱真的图片了。
本文目的在于学术交流,并不代表本公众号赞同其观点或对其内容真实性负责,版权归原作者所有,如有侵权请告知删除。