gan怎么输入一维数据_GAN网络,利用gan网络完成对一维数据点的生成
代码:
import argparse
import numpy as np
from scipy.stats import norm
import tensorflow as tf
import matplotlib.pyplot as plt
from matplotlib import animation
import seaborn as sns
sns.set(color_codes=True)
seed = 42
np.random.seed(seed)
tf.set_random_seed(seed)
class DataDistribution(object): # 真实数据
def __init__(self):
self.mu = 4
self.sigma = 0.5
def sample(self, N):
samples = np.random.normal(self.mu, self.sigma, N)
samples.sort()
return samples
class GeneratorDistibution(object): # 随机噪音点,初始化输入
def __init__(self, range):
self.range = range
def sample(self, N):
return np.linspace(-self.range, self.range, N) + np.random.normal(N) * 0.01
def linear(input, output_dim, scope=None, stddev=1.0): # 单网络层
norm = tf.random_normal_initializer(stddev=stddev)
const = tf.constant_initializer(0.0)
with tf.variable_scope(scope or 'linear'): # 初始化 w, b参数
w = tf.get_variable('w', [input.get_shape()[1], output_dim], initializer=norm)
b = tf.get_variable('b', [output_dim], initializer=const)
return tf.matmul(input, w) + b
def generator(input, h_dim):
h0 = tf.nn.softplus(linear(input, h_dim, 'g0'))
h1 = linear(h0, 1, 'g1')
return h1
def discriminator(input, h_dim): # 预训练判别D网络
h0 = tf.tanh(linear(input, h_dim * 2, 'd0'))
h1 = tf.tanh(linear(h0, h_dim * 2, 'd1'))
h2 = tf.tanh(linear(h1, h_dim * 2, scope='d2'))
h3 = tf.sigmoid(linear(h2, 1, scope='d3')) # 输出结果 0/1
return h3
def optimizer(loss, var_list, initial_learning_rate): # 学习率不断衰减的学习策略
decay = 0.95
num_deacy_steps = 150 # 每迭代150次进行一次学习率衰减
batch = tf.Variable(0)
learning_rate = tf.train.exponential_decay(
initial_learning_rate,
batch,
num_deacy_steps,
decay,
staircase=True
)
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(
loss,
global_step=batch,
var_list=var_list
)
return optimizer
class GAN(object): # 构造模型 G生成网络是希望生成的值(本质上是Falee)被判别网络认定为True D判别网络是希望分清输入的是True还是False
def __init__(self, data, gen, num_steps, batch_size, log_every):
self.data = data
self.gen = gen
self.num_steps = num_steps
self.batch_size = batch_size
self.log_every = log_every
self.mlp_hidden_size = 4 # 隐层神经元个数
self.learning_rate = 0.03
self._create_model()
def _create_model(self):
with tf.variable_scope('D_pre'): # 作用域 预训练判别D网络 作用:训练该网络是希望可以拿出一组还不错的参数来初始化真正的判别网络
self.pre_input = tf.placeholder(tf.float32, shape=(self.batch_size, 1))
self.pre_labels = tf.placeholder(tf.float32, shape=(self.batch_size, 1))
D_pre = discriminator(self.pre_input, self.mlp_hidden_size) # 预训练判别D网络
self.pre_loss = tf.reduce_mean(tf.square(D_pre - self.pre_labels)) # 损失函数
self.pre_opt = optimizer(self.pre_loss, None, self.learning_rate)
with tf.variable_scope('Gen'): # G网络,用来生成模仿的值 x-->G(x)
self.z = tf.placeholder(tf.float32, shape=(self.batch_size, 1))
self.G = generator(self.z, self.mlp_hidden_size)
with tf.variable_scope('Disc') as scope: # D网络 判别网络
self.x = tf.placeholder(tf.float32, shape=(self.batch_size, 1))
self.D1 = discriminator(self.x, self.mlp_hidden_size) # 真实数据输入得到网络输出
scope.reuse_variables() # 使用相同的网络参数
self.D2 = discriminator(self.G, self.mlp_hidden_size) # 生成网络输入得到网络输出
# 定义GAN网络的损失函数
self.loss_d = tf.reduce_mean(-tf.log(self.D1) - tf.log(1-self.D2)) # 希望D1 --> 1 D2 --> 0
self.loss_g = tf.reduce_mean(-tf.log(self.D2)) # 希望D2 --> 1
# 初始化参数
self.d_pre_params = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='D_pre')
self.d_params = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='Disc')
self.g_params = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='Gen')
self.opt_d = optimizer(self.loss_d, self.d_params, self.learning_rate)
self.opt_g = optimizer(self.loss_g, self.g_params, self.learning_rate)
# 训练模型
def train(self):
with tf.Session() as session:
tf.global_variables_initializer().run() # 初始化全局变量
num_pretrain_steps = 1000
for step in range(num_pretrain_steps): # 先训练D_pre网络
d = (np.random.random(self.batch_size) - 0.5) * 10.0 # 随机初始化
labels = norm.pdf(d, loc=self.data.mu, scale=self.data.sigma) # 根据d得到高斯值的生成
pretrain_loss, _ = session.run([self.pre_loss, self.pre_opt], {
self.pre_input: np.reshape(d, (self.batch_size, 1)),
self.pre_labels: np.reshape(labels, (self.batch_size, 1))
})
self.weightsD = session.run(self.d_pre_params) # 得到D_pre网络的参数
# 对D网络进行参数初始化
for i, v in enumerate(self.d_params):
session.run(v.assign(self.weightsD[i]))
# 训练对抗神经网络
for step in range(self.num_steps):
x = self.data.sample(self.batch_size)
z = self.gen.sample(self.batch_size)
loss_d, _ = session.run([self.loss_d, self.opt_d], {
self.x: np.reshape(x, (self.batch_size, 1)),
self.z: np.reshape(z, (self.batch_size, 1))
})
z = self.gen.sample(self.batch_size)
loss_g, _ = session.run([self.loss_g, self.opt_g], {
self.z: np.reshape(z, (self.batch_size, 1))
})
if step % self.log_every == 0:
print('{}; loss_d:{},\tloss_g:{}'.format(step, loss_d, loss_g)) # 打印loss信息
if step % 100 == 0 or step == 0 or step == self.num_steps - 1:
self._plot_distribitions(session)
def _samples(self, session, num_points=10000, num_bins=100):
xs = np.linspace(-self.gen.range, self.gen.range, num_points)
bins = np.linspace(-self.gen.range, self.gen.range, num_bins)
d = self.data.sample(num_points)
pd, _ = np.histogram(d, bins=bins, density=True)
zs = np.linspace(-self.gen.range, self.gen.range, num_points)
g = np.zeros((num_points, 1))
for i in range(num_points // self.batch_size):
g[self.batch_size * i : self.batch_size * (i+1)] = session.run(self.G, {
self.z: np.reshape(
zs[self.batch_size * i: self.batch_size * (i+1)],
(self.batch_size, 1)
)
})
pg, _ = np.histogram(g, bins=bins, density=True)
return pd, pg
def _plot_distribitions(self, session):
pd, pg = self._samples(session)
p_x = np.linspace(-self.gen.range, self.gen.range,len(pd))
f, ax = plt.subplots(1)
ax.set_ylim(0, 1)
plt.plot(p_x, pd, label='real data')
plt.plot(p_x, pg, label='generated data')
plt.xlabel('Data values')
plt.ylabel('probility density')
plt.legend()
plt.show()
def main(args):
model = GAN(
DataDistribution(),
GeneratorDistibution(range=8),
args.num_steps, # 迭代次数
args.batch_size, # 一次迭代数据量
args.log_every, # 间隔多少次输出loss信息
)
model.train()
def parse_args(): # 参数
parser = argparse.ArgumentParser()
parser.add_argument('--num-steps', type=int, default=1200)
parser.add_argument('--batch-size', type=int, default=12)
parser.add_argument('--log-every', type=int, default=10)
return parser.parse_args()
if __name__ == '__main__':
main(parse_args())
输出结果:
gan怎么输入一维数据_GAN网络,利用gan网络完成对一维数据点的生成相关推荐
- mysql数据导入python_利用python将mysql中的数据导入excel
原博文 2017-06-29 13:29 − Python对Excel的读写主要有xlrd.xlwt.xlutils.openpyxl.xlsxwriter几种. 如下分别利用xlwt和openpyx ...
- GAN(生成对抗网络)在合成时间序列数据中的应用(第一部分——利用GAN生成合成(synthetic)数据)
(本文基本是对Jasen 的<Machine Learning for Algorithmic Trading>第二版的第21章进行翻译.改写和复现,并用于我们的实际情况) 1. 准备阶段 ...
- 深度学习数据驱动_利用深度学习实现手绘数据可视化的生成
前一段时间,我开发了Sketchify, 该工具可以把任何以SVG为渲染技术的可视化转化为手绘风格.(参考手绘风格的数据可视化实现 Sketchify) 那么问题来了,很多的chart是以Canvas ...
- 利用深度学习实现手绘数据可视化的生成
个人博客导航页(点击右侧链接即可打开个人博客):大牛带你入门技术栈 前一段时间,我开发了Sketchify, 该工具可以把任何以SVG为渲染技术的可视化转化为手绘风格.(参考手绘风格的数据可视化实现 ...
- 实战技术:利用深度学习实现手绘数据可视化的生成
个人博客导航页(点击右侧链接即可打开个人博客):大牛带你入门技术栈 前一段时间,我开发了Sketchify, 该工具可以把任何以SVG为渲染技术的可视化转化为手绘风格.(参考手绘风格的数据可视化实现 ...
- 【大数据】中国工程院院士何友:工业大数据及其应用
来源:德先生D-Technologies 工业大数据面临的挑战. 第一是数据搜集,要对来自网络包括物联网和机构信息系统的数据附上时空标签,去伪存真,尽可能收集异源甚至是异构的数据,还可与历史数据对照, ...
- gan怎么输入一维数据_GAN评价指标最全汇总
本文首发于微信公众号:有三AI 作者:小米粥 最近一部分的内容将会比较容易,将和大家一起讨论GAN的评价指标.在判别模型中,训练完成的模型要在测试集上进行测试,然后使用一个可以量化的指标来表明模型训练 ...
- GAN(生成对抗网络)在合成时间序列数据中的应用(第二部分——利用GAN生成时间序列数据)
GAN(生成对抗网络)在合成时间序列数据中的应用(第二部分–TimeGAN 与合成金融输入) (本文基本是对Jasen 的<Machine Learning for Algorithmic Tr ...
- gan怎么输入一维数据_时空序列预测模型GAN+LSTM
一.Address ICC 2019的一篇paper,为清华团队所写 思路很有趣,也很容易想到,就是用比较火的GAN加上LSTM Satellite Image Prediction Relying ...
- 重磅!Nature子刊:利用GAN来“深度伪造大脑数据”可以改善残疾人的脑机接口...
近日,南加州大学(Universityof Southern California)维特比工程学院的研究人员正在使用生成对抗网络(GAN)来改善残疾人的脑机接口.生成对抗网络(Generative A ...
最新文章
- ~~~端午安康~~~
- 人体姿态估计--RMPE: Regional Multi-Person Pose Estimation
- Framebuffer原理、使用、测试系列文章
- UDP和TCP的优缺点
- screen命令简介
- 用IIS配置反向代理
- oppoR17手机计算机的隐藏功能,OPPO R17 Pro隐藏了很多你不知道的黑科技,让你高效使用手机...
- Day7--误差反向传播
- Jstorm到Flink 在今日头条的迁移实践
- 激光雷达的KPI与技术方案
- python美多商城项目百度网盘_美多商城项目(十)
- (转)开源的大文件上传组件NeatUpload
- 有赞裁员1500人?说说有赞为什么会跌落神坛
- python flask大作业,疫情数据大屏可视化展示
- 中科创达软件测试校招面试题 一面(技术)+二面(hr)
- RaspBerry Pi 系统安装——Raspbian(精简版)
- The root password is cleared and reset
- ASII码中控制字符CR和LF的含义
- DropWizard的AOP扩展点最佳实践
- Nginx实现反向代理
热门文章
- 哪里有好用的电脑pdf编辑器免费版
- 数据库课设——简单的图书管理系统
- java api接口签名验证失败_简单API接口签名验证
- zoom下载官网android最新,Zoom下载安卓最新版_手机app官方版免费安装下载_豌豆荚...
- 吊打迅雷,最好用的BT种子下载器,下载不限速
- Sublime Text 2 - 性感无比的代码编辑器!程序员必备神器!跨平台支持Win/Mac/Linux...
- lmdb数据库的读取与转换(二) —— 数据集操作
- mega linux教程,MegaRAID工具使用详解
- 一台 ZXHN F650(GPON ONU) 学习小记
- WiRadius认证计费管理系统