学习目标：

理解条件生成对抗网络的基本原理。
掌握利用条件生成对抗网络生成新样本的方法。

学习内容：

fashion_mnist数据库（from keras.datasets import fashion_minist）数据集包含了10个类别的图像，分别是：t-shirt（T恤），trouser（牛仔裤），pullover（套衫），dress（裙子），coat（外套），sandal（凉鞋），shirt（衬衫），sneaker（运动鞋），bag（包），ankle boot（短靴），如下图。利用fashion_mnist数据库的训练数据构造条件生成对抗网络，并分别生成10个类别的新的图片显示出来。

学习过程：

网络结构：

设置训练间隔和批量大小为500/5000：

运行结果如下图：

设置训练间隔和批量大小为500/10000：

运行结果如下图：

把图片保存在与源码相同目录下的文件夹中:

源码：

# 条件GANfrom keras.layers import Dense,BatchNormalization,concatenate
from keras.layers import Conv2D, Flatten,LeakyReLU
from keras.layers import Reshape, Conv2DTranspose, Activation
from keras import Model,Sequential,Input,utils
from keras.datasets import fashion_mnist
from keras.optimizers import RMSpropimport os
import numpy as np
import matplotlib.pyplot as plt
import math# In[1]: 构造生成网络
# 生成网络将一维向量(100,)及其类别向量(10,)，反向构造成图片所对应的矩阵(28,28,1)
def  build_generator(latent_shape, label_shape, image_shape):# latent_dim = 100 # label_shape=(10,)# 由于有2个输入，所以使用函数式模型构造网络比较方便 # different！input_latent = Input(latent_shape, name='generator_input')input_label = Input(label_shape, name='input_label')#将100维的输入向量与10维的One-hot-vector结合在一起，成为110维的xx = concatenate([input_latent, input_label], axis = 1) # different！begin_shape = (image_shape[0] // 4, image_shape[1] // 4)model = Sequential( [Dense(begin_shape[0] * begin_shape[1] * 128),Reshape((begin_shape[0], begin_shape[1], 128)),BatchNormalization(),Activation('relu'),# (7,7,128) -> (14,14,128)Conv2DTranspose(filters=128, kernel_size=5,strides=2,padding='same'),BatchNormalization(),Activation('relu'),# (14,14,128) -> (28,28,64)Conv2DTranspose(filters=64, kernel_size=5,strides=2,padding='same'),BatchNormalization(),Activation('relu'),# (28,28,64) -> (28,28,32)Conv2DTranspose(filters=32, kernel_size=5,strides=1,padding='same'),# (28,28,32) -> (28,28,1)BatchNormalization(),Activation('relu'),Conv2DTranspose(filters=1, kernel_size=5,strides=1,padding='same'),Activation('sigmoid') # 输出一个 (28,28,1) 的矩阵，每个像素值为0到1])image_rec = model(x) generator = Model([input_latent,input_label],image_rec,name='generator')return generator# In[2]: 构造判别网络
# 判别网络输入一个 (28,28,1) 的图片，输出一个0到1的数，0：假样本，1：真样本
def  build_discriminator(image_shape,label_shape):# image_shape=(28,28,1)# label_shape=(10,)# 由于有2个输入，所以使用函数式模型构造网络比较方便 # different！input_image = Input(image_shape, name='discriminator_input')input_label = Input(shape=label_shape, name='input_label')# 对10个分量的one-hot标签向量，经过全连接和reshape层得到图像大小的矩阵y = Dense(image_shape[0] * image_shape[1])(input_label) y = Reshape((image_shape[0], image_shape[1], 1))(y)#把图片数据与one-hot-vector拼接起来,这里是唯一与前面代码不同之处x = concatenate([input_image, y]) # shape=(28, 28, 2) # different！model = Sequential( [# (28,28,1) -> (14,14,32)LeakyReLU(alpha=0.2),Conv2D(32, kernel_size=5, strides=2, padding="same"), # (14,14,32) -> (7,7,64)LeakyReLU(alpha=0.2),Conv2D(64, kernel_size=5, strides=2, padding="same"), # (7,7,64) -> (4,4,128) LeakyReLU(alpha=0.2),Conv2D(128, kernel_size=5, strides=2, padding="same"), # (4,4,128) -> (4,4,256)LeakyReLU(alpha=0.2),Conv2D(256, kernel_size=5, strides=1, padding="same"), Flatten(),Dense(1),Activation('sigmoid') # 输出一个0到1的数，0：假样本，1：真样本])score =  model(x)discriminator = Model([input_image,input_label],score,name='discriminator') return discriminator# In[3]: 显示和保存生成器构造的一批图片（5*5=25张）
def plot_images(generator, noise_input, noise_class, show=False, step=0, model_name = ''):os.makedirs(model_name, exist_ok=True)filename = os.path.join(model_name, "%05d.png" % step)images = generator.predict([noise_input,noise_class])plt.figure(figsize = (5, 5))num_images = images.shape[0]rows = int(math.sqrt(noise_input.shape[0]))for i in range(num_images):plt.subplot(rows, rows, i + 1)image = np.reshape(images[i], [images.shape[1], images.shape[2]])plt.imshow(image, cmap= 'gray')plt.axis('off')plt.savefig(filename)if show:plt.show()else:plt.close('all')# In[4]: 构建判别网络 和 对抗网络（生成网络+判别网络），并设置训练参数
# 设置训练相关的参数
model_name = 'DCGAN_mnist_condition'
latent_dim = 100
batch_size = 64
train_steps = 10000 # 训练train_steps个batch,这里可更改为10000或5000
lr = 2e-4
decay = 6e-8latent_shape=(latent_dim,)# 读取数据，获取图片大小。分类别的GAN，需要标签。只是为了生成新样本，不需要测试样本进行对比
(x_train, y_train), (_, _) = fashion_mnist.load_data()
image_shape = (x_train.shape[1],x_train.shape[2],1)# 数据预处理，二维卷积操作的输入数据要求：[样本数,宽度,高度,通道数]
x_train = np.reshape(x_train, [-1, image_shape[0], image_shape[1], 1])
x_train = x_train.astype('float32') / 255  # 生成网络的输出的像素值是0到1之间的
y_train = utils.to_categorical(y_train)
label_shape = (y_train.shape[-1],) # different！# 编译判别网络
discriminator = build_discriminator(image_shape,label_shape) # different！
discriminator.compile(loss = 'binary_crossentropy', optimizer = RMSprop(lr=lr, decay=decay),metrics = ['accuracy'])
discriminator.summary()# 构建并编译对抗网络（生成网络+判别网络）
generator = build_generator(latent_shape,label_shape,image_shape) # different！
generator.summary()
discriminator.trainable = False # 训练生成者时识别者网络要保持不变input_latent = Input(latent_shape, name='adversarial_input')
input_label = Input(label_shape, name='input_label')
outputs = discriminator([generator([input_latent, input_label]), input_label])
adversarial = Model([input_latent, input_label], outputs, name='adversarial')
adversarial.compile(loss = 'binary_crossentropy',optimizer = RMSprop(lr=lr*0.5, decay=decay*0.5),metrics = ['accuracy'])
adversarial.summary()# In[5]: 训练网络
'''
1) 先冻结生成网络，采样 真实图片 和 生成网络输出的假样本，训练判别网络，区分两类样本
2) 然后冻结判别网络，让生成网络构造图片输入给判别网络，训练生成网络，使得判别网络输出越接近1越好
'''save_interval = 500 # 训练每间隔500个batch把生成网络输出的图片保存下来# 构造给生成网络的一维随机向量，每隔500个batch训练后，都生成同样的这100个伪造样本，方便对比
noise_input = np.random.uniform(-1.0, 1.0, size = [10*10, latent_dim])
noise_class = np.eye(label_shape[0])[np.arange(0, 10*10) % label_shape[0]] # different！
train_size = x_train.shape[0]for i in range(train_steps):# 1. 先训练判别网络,将真实图片和伪造图片同时输入判别网络，让判别网络学会区分真假图片# 随机选取真实图片rand_indexes = np.random.randint(0, train_size, size = batch_size)real_images = x_train[rand_indexes]real_labels = y_train[rand_indexes]  # different！#让生成网络构造伪造图片noise = np.random.uniform(-1.0, 1.0, size = [batch_size, latent_dim])# 随机指定每个伪造样本的类别，并转化为one-hot向量, different！fake_labels = np.eye(label_shape[0])[np.random.choice(label_shape[0], batch_size)]fake_images = generator.predict([noise, fake_labels])# 合并真实图片和伪造图片x = np.concatenate((real_images, fake_images))#将真实图片对应的one-hot-vecotr和虚假图片对应的One-hot-vector连接起来, different！y_labels = np.concatenate((real_labels, fake_labels))y = np.ones([2 * batch_size, 1])#上半部分图片为真，下半部分图片为假y[batch_size:, :] = 0.0# 训练判别网络，用一个batch的真实图片和一个batch的伪造图片# 注意这里需要将图片及对应的one-hot-vector输入loss, acc = discriminator.train_on_batch([x, y_labels], y) # different！log = "%d: [discriminator loss: %f, acc: %f]" % (i, loss, acc)# 2. 然后再训练生成网络：冻结判别网络，让生成网络构造图片输入给判别网络，使得输出越接近1越好noise = np.random.uniform(-1.0, 1.0, size = [batch_size, latent_dim])fake_labels = np.eye(label_shape[0])[np.random.choice(label_shape[0], batch_size)]y = np.ones([batch_size, 1]) # 注意此时假样本的标签为1，即要使得输出越接近1越好# 训练生成网络时需要使用到判别网络返回的结果，因此从两者连接后的对抗网络进行训练loss, acc = adversarial.train_on_batch([noise, fake_labels], y)log = "%s [adversarial loss: %f, acc: %f]" % (log, loss, acc)# 每隔save_interval次保存训练结果if (i+1) % save_interval == 0:print(log)if (i + 1) == train_steps:show = Trueelse:show = False#将生成者构造的图片绘制出来plot_images(generator, noise_input = noise_input,noise_class = noise_class, # different！show = show, step = i+1,model_name = model_name)# 保存生成网络的权重generator.save_weights(model_name + "_generator.h5")# In[6]: 读取训练好得权重，显示结果
noise_input = np.random.uniform(-1.0, 1.0, size = [10*10, latent_dim])
noise_class = np.eye(label_shape[0])[np.arange(0, 10*10) % label_shape[0]] # different！
generator.load_weights(model_name + "_generator.h5")
plot_images(generator, noise_input = noise_input,noise_class = noise_class, # different！show = True, step = 5000,model_name = model_name)

源码下载

学习产出：

把批量大小更改为5000和10000后，每500个间隔就把图片保存下来，训练需要的时间比较长，但效果比较好，能辨别出是fashion_mnist数据库中的10类图像；

人工智能--条件生成对抗网络相关推荐

[深度学习-实践]条件生成对抗网络cGAN的例子-Tensorflow2.x Keras
系列文章目录深度学习GAN(一)之简单介绍深度学习GAN(二)之DCGAN基于CIFAR10数据集的例子深度学习GAN(三)之DCGAN基于手写体Mnist数据集的例子深度学习GAN(四)之c ...
CGAN之条件生成对抗网络（Matlab）
代码来源代码全文: clear all; close all; clc; %% Conditional Generative Adversarial Network %% Load Data loa ...
CGAN（条件生成-对抗网络）简述教程
一直以来提醒自己说,你要坚持,要坚持,要坚持更新,坚持读paper,要是现在都坚持不下去,还有将近五年该怎么办呐. 所幸,我还是有底线的,在今天抽了一个下午,看了看论文,跑了跑代码,过程谈不上舒服,也 ...
深度学习故障诊断之-使用条件生成对抗网络CGAN生成泵流量信号
开始填坑 MATLAB统计机器学习,深度学习,计算机视觉 - 哥廷根数学学派的文章 - 知乎 MATLAB统计机器学习,深度学习,计算机视觉 - 知乎之前写过在使用深度学习对机械系统或电气系统进行故 ...
GAN（生成对抗网络） and CGAN（条件生成对抗网络）
前言 GAN(生成对抗网络)是2014年由Goodfellow大佬提出的一种深度生成模型,适用于无监督学习.监督学习.但是GAN进行生成时是不可控的,所以后来又有人提出可控的CGAN(条件生成对抗网络 ...
条件生成对抗网络（CGAN）
记录一下上资源:(github), 基于Pytorch的条件对抗生成网络条件对抗生成网络和生成对抗网络的区别在于,条件对抗网络生成器和鉴别器额外输入了条件信息(以minist为例,就是额外输入了标 ...
GAN生成对抗网络-CGAN原理与基本实现-条件生成对抗网络04
CGAN - 条件GAN 原始GAN的缺点代码实现 import tensorflow as tf from tensorflow import keras from tensorflow.kera ...
实战生成对抗网络[1]：简介
引言 2016年3月,AlphaGO横空出世,击败人类顶尖职业棋手,引爆了人工智能热潮.之后AlphaGO Master和AlphaGO Zero更是无情的碾压人类棋手,人们终于认识到,人类迎来了可怕 ...
必读论文 | 生成对抗网络经典论文推荐10篇
生成式对抗网络(Generative adversarial networks, GAN)是当前人工智能学界最为重要的研究热点之一.其突出的生成能力不仅可用于生成各类图像和自然语言数据,还启发和推动了 ...

人工智能--条件生成对抗网络

学习目标：

学习内容：

学习过程：

源码：

学习产出：

人工智能--条件生成对抗网络相关推荐

最新文章

热门文章