GAN生成对抗网络代码解析

上一次我们写了生成对抗网络的工作原理，俗话说，学而不编则罔，编而不学则殆，跑起来才能加深对算法的理解。

在跑之前，首先需要先装上python（废话），tensorflow (https://www.tensorflow.org/install/)，装完之后试一下

看能不能出现“Hello, TensorFlow!”成功了就可以正式进入GAN了！

首先第一步是导入数据包，说明此前你应该已经预先安装好了numpy和matplotlib，此外，我们训练所用的数据库MNIST (http://yann.lecun.com/exdb/mnist/)也能通过调用一个tensorflow的函数read_data_sets直接导入（不用手动下载）。

这一步如果成功的话，运行会出现：

就是MNIST被提取出来了，这4个文件依次是，训练图、训练标签、测试图、测试标签。

如果你想看看MNIST里面的数据图长啥样，可以用next_batch来调用一个batch用PyPlot来看看：

由于随机调用，所以每次运行会出现的数字都不同：

接下来我们就可以开始构建判别器Discriminator和生成器Generator了。

在这里有一个小tip要注意就是最开头那段if语句，因为小姐姐没加它的时候出现报错，意思是参数不能重复使用，可是怎么可能，这些权重参数下面都要反复用来计算，所以需要把你要重复使用的参数都包括进去才行继续往下跑（生成器同此）。

生成器就可以看作是反卷积的过程，判别器输入2维或者3维的像素矩阵，输出一个概率，生成器则是反过来——将一个多维的噪音向量输出为一张28*28的像素图（但其实是28*28*1，因为数字只有灰度1一个维度，但是tensorflow通常能处理3通道的RGB像素图），可以看到最后一层加了tf.sigmoid激活函数，它的作用是将灰度转化成黑或者白来输出图像。

生成器构造完了，我们来看看未经训练之前的噪音图像什么样子的：

看一下输出，噪音真的就是噪音本尊：

好，终于要开始训练了，论文告诉我们说，判别器和生成器各自有自己的损失函数，我们同时训练它们，使得生成器能生成更像正样本的图片，并使得判别器能更准确地判断出正负样本图片。

然后构造优化器，这里使用的是Adam梯度下降，同时让判别器对真实图和噪音图分别训练，以方便分别调整步长：

最后，GAN初版不好训练（常常崩），可以用tensorboard同时监控损失函数和训练图的变化，甚至还能画出神经网络的拓扑结构：

使用方法就是先在终端激活tensorflow

然后运行命令

再然后打开网页

http://localhost:6000

就能看到了。

好，万事俱备，只欠训练。友情提示，训练要很久（GPU至少3小时，CPU。。。30个小时吧），而且容易崩（GAN本身的结构决定的），祝福你成功。

开始训练的界面是这样子的：

Tensorboard里面也能看到损失在逐步下降：

最后的最后，其实可以下载训练好的权重来测试 (https://github.com/jonbruner/generative-adversarial-networks/blob/master/pretrained-model/pretrained_gan.ckpt），把它下载放在你的本地文件夹里，然后运行：

就能看到美丽的小数字们啦，啦啦啦啦。