学习目标：

理解生成对抗网络的基本原理。
掌握利用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生成对抗网络，并生成新的图片显示出来。

学习过程：

网络结构：

设置训练间隔和批量大小设置为500/10000：

运行结果如下图：

设置训练间隔和批量大小设置为500/5000：

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：

from keras.layers import Dense,BatchNormalization
from keras.layers import Conv2D, Flatten,LeakyReLU
from keras.layers import Reshape, Conv2DTranspose, Activation
from keras import Model,Sequential,Input
from keras.datasets import fashion_mnist
from keras.optimizers import RMSpropimport os,math
import numpy as np
import matplotlib.pyplot as plt# In[1]: 构造生成网络
# 生成网络将一维向量(100,)反向构造成图片所对应的矩阵(28,28,1)
def  build_generator(latent_shape, image_shape):# latent_shape = (100,)# image_shape = (28,28,1)begin_shape = (image_shape[0] // 4, image_shape[1] // 4)model = Sequential( [#Input(latent_shape),   # (100,) -> (7*7*128,) -> (7,7,128)Dense(begin_shape[0] * begin_shape[1] * 128,input_shape=latent_shape),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],name='generator')# 需要和判别器一起构造 对抗网络，用对抗网络训练生成器的参数return model# 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):# image_shape=(28,28,1)discriminator = Sequential( [# (28,28,1) -> (14,14,32)LeakyReLU(alpha=0.2,input_shape=image_shape),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],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, 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)plt.figure(figsize = (2.2, 2.2))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'
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-8
latent_shape = (latent_dim,)# 读取数据，获取图片大小。无监督训练，不需要标签。只是为了生成新样本，不需要测试样本进行对比
(x_train, _), (_, _) = 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# 编译判别网络
discriminator = build_discriminator(image_shape)
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,image_shape)
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')
outputs = discriminator(generator([input_latent]))
adversarial = Model([input_latent], 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25个伪造样本，方便对比
noise_input = np.random.uniform(-1.0, 1.0, size = [5*5, latent_dim])
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]#让生成网络构造伪造图片noise = np.random.uniform(-1.0, 1.0, size = [batch_size, latent_dim])fake_images = generator.predict(noise)# 合并真实图片和伪造图片，设置真实图片对应标签1，虚假图片对应标签0   x = np.concatenate((real_images, fake_images))y = np.ones([2 * batch_size, 1])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loss, acc = discriminator.train_on_batch(x, y)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])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, 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,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]: 直接读取以前训练的权重（可以不用重复执行步骤[5]训练网络），生成伪造图片
#构造一批随机初始化的一维向量让生成者网络创造图片
generator.load_weights(model_name + "_generator.h5")
noise = np.random.randint(-1.0, 1.0, size=[5*5, 100])
plot_images(generator, noise_input = noise, show=True, 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数据库的图像；

人工智能--生成对抗网络相关推荐

从生成对抗网络到更自动化的人工智能
来源:中国计算机协会作者:黄鹤王长虎概要:"What I cannot create, I do not understand." 这是著名物理学家费曼的一句名言.把这句 ...
[Python人工智能] 二十九.什么是生成对抗网络GAN？基础原理和代码普及(1)
从本专栏开始,作者正式研究Python深度学习.神经网络及人工智能相关知识.前一篇文章分享了Keras实现经典的深度学习文本分类算法,包括LSTM.BiLSTM.BiLSTM+Attention和CN ...
人工智能知识全面讲解：生成对抗网络的应用
13.2.1 GAN的特点 GAN从2015年提出至今,短短4年的时间已经发展成为人工智能学界一个热门的研究方向,吸引了大批研究人员来研究 GAN.除了学术界的理论研究以外,许多科技公司已经付诸行 ...
人工智能知识全面讲解：初识生成对抗网络
13.1.1 猫和老鼠的游戏在2016年7月,一款国外的照片处理软件火遍了全世界,同时也引爆了国人的朋友圈.这款产品就是Prisma.Prisma可以按照你提供的图片内容和指定的风格,生成一副指 ...
[人工智能-深度学习-59]：生成对抗网络GAN - 基本原理（图解、详解、通俗易懂）
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/detai ...
人工智能 - paddlepaddle飞桨 - 深度学习基础教程 - 生成对抗网络
生成对抗网络本教程源代码目录在book/09.gan,初次使用请您参考Book文档使用说明. 说明:¶ 硬件环境要求: 本文可支持在CPU.GPU下运行 Docker镜像支持的CUDA/cuDNN版 ...
[人工智能-深度学习-63]：生成对抗网络GAN - 图片创作：普通GAN, pix2pix, CycleGAN和pix2pixHD的演变过程
作者主页(文火冰糖的硅基工坊):文火冰糖(王文兵)的博客_文火冰糖的硅基工坊_CSDN博客本文网址:https://blog.csdn.net/HiWangWenBing/article/detai ...
人工智能--条件生成对抗网络
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 fashi ...
2021-01-24过去十年十大AI研究热点，分别为深度神经网络、特征抽取、图像分类、目标检测、语义分割、表示学习、生成对抗网络、语义网络、协同过滤和机器翻译。
专利申请量全球第一!清华人工智能发展报告:国内215所高校成立相关本科专业发布时间:01-2415:20万象大会年度获奖创作者,东方财富网官方帐号 1月20日,清华大学人工智能研究院.清华-中国工程 ...

人工智能--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--生成对抗网络相关推荐

最新文章

热门文章