来自课程GAN生成对抗网络精讲 tensorflow2.0代码实战全网最简洁易懂的GAN课程
的代码

tensorflow版本为2.0
升级版本看https://blog.csdn.net/qq_43620967/article/details/108835207

jupyter 文件
链接：https://pan.baidu.com/s/1PR4phiKAEoK4sAAmTWR18A
提取码：z9od

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import glob
import os

tf.__version__

Out[104]: ‘2.3.1’

输入

(train_images,train_labels),(_,_)=tf.keras.datasets.mnist.load_data()

train_images.shape

Out[106]: (60000, 28, 28)

60000张图，都是28*28 像素

train_images.dtype

Out[107]: dtype(‘uint8’)

数据预处理

train_images=train_images.reshape(train_images.shape[0],28,28,1).astype('float32')

train_images.shape

Out[109]: (60000, 28, 28, 1)

train_images=(train_images-127.5)/127.5#归一化 到【-1，1】

BATCH_SIZE=256
BUFFER_SIZE=600000

datasets=tf.data.Dataset.from_tensor_slices(train_images)

datasets=datasets.shuffle(BUFFER_SIZE).batch(BATCH_SIZE)

datasets

Out[114]: <BatchDataset shapes: (None, 28, 28, 1), types: tf.float32>

第一维度表示个数

生成器模型

def generator_model():model=tf.keras.Sequential()model.add(layers.Dense(256,input_shape=(100,),use_bias=False))#Dense全连接层，input_shape=(100,)长度100的随机向量，use_bias=False，因为后面有BN层model.add(layers.BatchNormalization())model.add(layers.LeakyReLU())#激活#第二层model.add(layers.Dense(512,use_bias=False))model.add(layers.BatchNormalization())model.add(layers.LeakyReLU())#激活#输出层model.add(layers.Dense(28*28*1,use_bias=False,activation='tanh'))model.add(layers.BatchNormalization())model.add(layers.Reshape((28,28,1)))#变成图片 要以元组形式传入return model

辨别器模型

def discriminator_model():#输入图片model=keras.Sequential()model.add(layers.Flatten())#把输入的三维图片扁平化model.add(layers.Dense(512,use_bias=False))    model.add(layers.BatchNormalization())model.add(layers.LeakyReLU())#激活    model.add(layers.Dense(256,use_bias=False))    model.add(layers.BatchNormalization())model.add(layers.LeakyReLU())#激活      model.add(layers.Dense(1))#输出数字，>0.5真实图片return model

loss函数

cross_entropy=tf.keras.losses.BinaryCrossentropy(from_logits=True)#from_logits=True因为最后的输出没有激活

判别器损失函数

def discriminator_loss(real_out,fake_out):#辨别器的输出 真实图片判1，假的图片判0real_loss=cross_entropy(tf.ones_like(real_out),real_out)fake_loss=cross_entropy(tf.zeros_like(fake_out),fake_out)return real_loss+fake_loss

生成器损失函数

def generator_loss(fake_out):#希望fakeimage的判别输出fake_out判别为真return cross_entropy(tf.ones_like(fake_out),fake_out)

优化器

generator_opt=tf.keras.optimizers.Adam(1e-4)#学习速率
discriminator_opt=tf.keras.optimizers.Adam(1e-4)

EPOCHS=100
noise_dim=100 #长度为100的随机向量生成手写数据集

num_exp_to_generate=16 #每步生成16个样本

seed=tf.random.normal([num_exp_to_generate,noise_dim]) #生成随机向量观察变化情况

训练

generator=generator_model()

discriminator=discriminator_model()

定义批次训练函数

def train_step(images):noise=tf.random.normal([BATCH_SIZE,noise_dim]) #生成随机数with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tape: #记录训练过程real_out = discriminator(images,training=True)gen_image = generator(noise,training=True)fake_out=discriminator(gen_image,training=True)gen_loss = generator_loss(fake_out)disc_loss = discriminator_loss(real_out,fake_out)#训练过程gradient_gen = gen_tape.gradient(gen_loss,generator.trainable_variables) #生成器与生成器可训练参数的梯度gradient_disc = disc_tape.gradient(disc_loss,discriminator.trainable_variables) generator_opt.apply_gradients(zip(gradient_gen,generator.trainable_variables))discriminator_opt.apply_gradients(zip(gradient_disc,discriminator.trainable_variables))

可视化

def generator_plot_image(gen_model,test_noise): #观察训练出的图象pre_images = gen_model(test_noise,training=False)fig = plt.figure(figsize=(4,4))for i in range(pre_images.shape[0]):plt.subplot(4,4,i+1) #从1开始排plt.imshow((pre_images[i,:,:,0]+1)/2,cmap='gray') #归一化，灰色度plt.axis('off') #不显示坐标轴plt.show()

训练

def train(dataset,epochs):for epoch in range(epochs):for image_batch in dataset:train_step(image_batch)#print('.',end='')print('第'+str(epoch+1)+'次训练结果')generator_plot_image(generator,seed)

train(datasets,EPOCHS)

结果

第1次训练结果

第100次训练结果

手写数字识别--日月光华的gan小例子相关推荐

机器学习：手写数字识别(Hand-written digits recognition)小项目
该项目的所有代码在我的github上,欢迎有兴趣的同学与我探讨研究~ 地址:Machine-Learning/machine-learning-ex3/ 1. Introduction 手写数字识别( ...
深度学习数字仪表盘识别_【深度学习系列】手写数字识别实战
上周在搜索关于深度学习分布式运行方式的资料时,无意间搜到了paddlepaddle,发现这个框架的分布式训练方案做的还挺不错的,想跟大家分享一下.不过呢,这块内容太复杂了,所以就简单的介绍一下padd ...
手写数字识别的小优化
在用KNN实现手写数字识别的时候突发奇想是否可以根据数字的特点对其进行一个分类,以此来提高判断的准确率.经过许多天的改进与完善终于实现了此算法,就称其为洞拐法吧.(第一次写,有许多不足之处,还望多多包 ...
GAN变种ACGAN利用手写数字识别mnist生成手写数字
1.摘要本文主要讲解:GAN变种ACGAN利用手写数字识别mnist数据集进行训练,最终生成手写数字图片主要思路: Initialize generator and discriminator I ...
pytorch手写数字识别【源码实现-小清新版】
引言手写数字识别,也就是让机器能够习得图片中的手写数字,并能正确归类. 本文使用 pytorch 搭建一个简单的神经网络,实现手写数字的识别, 从本文,你可了解到: 1.搭建神经网络的流程 2.完成 ...
PYQT5+CNN（TensorFlow-keras）做一个简单的手写数字识别PC端图形化小程序
目录前言一.功能介绍 1．画板识别 2．图片识别二.UI设计 1．整体设计思想 2．颜色设计 3．Logo 设计 4．按钮设计三.算法介绍 1．图片预处理 2．数字分割和显示 3．识别算法 4 ...
【学习日记】手写数字识别及神经网络基本模型
2021.10.7 [学习日记]手写数字识别及神经网络基本模型 1 概述张量(tensor)是数字的容器,是矩阵向任意维度的推广,其维度称为轴(axis).深度学习的本质是对张量做各种运算处理,其分 ...
深度学习--TensorFlow（项目）Keras手写数字识别
目录效果展示基础理论 1.softmax激活函数 2.神经网络 3.隐藏层及神经元最佳数量一.数据准备 1.载入数据集 2.数据处理 2-1.归一化 2-2.独热编码二.神经网络拟合 1.搭建 ...
教程 | 基于LSTM实现手写数字识别
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达基于tensorflow,如何实现一个简单的循环神经网络,完成手写 ...

手写数字识别--日月光华的gan小例子

输入