GAN生成对抗网络-GAN原理与基本实现-入门实例02

什么是GAN

实现代码

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

# 显存自适应分配
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
for gpu in gpus:tf.config.experimental.set_memory_growth(gpu,True)

gpu_ok = tf.test.is_gpu_available()
print("tf version:", tf.__version__)
print("use GPU", gpu_ok) # 判断是否使用gpu进行训练

# 手写数据集
(train_images,train_labels),(test_images,test_labels) = tf.keras.datasets.mnist.load_data()

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

# 归一化
train_images = (train_images-127.5)/127.5

BATCH_SIZE = 256
BUFFER_SIZE = 60000

# 创建数据集
datasets = tf.data.Dataset.from_tensor_slices(train_images)

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

编写模型

# 生成器模型
def generator_model():model = keras.Sequential() # 顺序模型model.add(layers.Dense(256,input_shape=(100,),use_bias=False)) # 输出256个单元，随机数输入数据形状长度100的向量model.add(layers.BatchNormalization()) model.add(layers.LeakyReLU())# LeakyReLU()激活model.add(layers.Dense(512,use_bias=False))model.add(layers.BatchNormalization())model.add(layers.LeakyReLU())# 激活model.add(layers.Dense(28*28*1,use_bias=False,activation="tanh")) # 输出28*28*1形状 使用tanh激活得到-1 到1 的值model.add(layers.BatchNormalization())model.add(layers.Reshape((28,28,1))) # reshape成28*28*1的形状return model

# 判别模型
def discriminator_model():model = keras.Sequential()model.add(layers.Flatten())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))return model

# 编写loss    binary_crossentropy（对数损失函数）即 log loss，与 sigmoid 相对应的损失函数，针对于二分类问题。
cross_entropy = tf.keras.losses.BinaryCrossentropy(from_logits=True)

# 辨别器loss
def discriminator_loss(real_out,fake_out):read_loss = cross_entropy(tf.ones_like(real_out),real_out) # 使用binary_crossentropy 对真实图片判别为1fake_loss = cross_entropy(tf.zeros_like(fake_out),fake_out) # 生成的图片 判别为0return read_loss + fake_loss

# 生成器loss
def generator_loss(fake_out):return cross_entropy(tf.ones_like(fake_out),fake_out) # 希望对生成的图片返回为1

# 优化器
generator_opt = tf.keras.optimizers.Adam(1e-4) # 学习速率1e-4   0.0001
discriminator_opt = tf.keras.optimizers.Adam(1e-4)

EPOCHS = 100 # 训练步数
noise_dim = 100 num_exp_to_generate = 16seed = tf.random.normal([num_exp_to_generate,noise_dim]) # 16，100 # 生成16个样本，长度为100的随机数

generator = generator_model()

discriminator = discriminator_model()

# 训练一个epoch
def train_step(images):noise = tf.random.normal([BATCH_SIZE,noise_dim])with tf.GradientTape() as gen_tape,tf.GradientTape() as disc_tape: # 梯度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)gradient_gen = gen_tape.gradient(gen_loss,generator.trainable_variables)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))

def genrate_plot_image(gen_model,test_noise):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)plt.imshow((pre_images[i,:,:,0]+1)/2,cmap="gray")plt.axis("off")plt.show()

def train(dataset,epochs):for epoch in range(epochs):for image_batch in dataset:train_step(image_batch)print(".",end="")genrate_plot_image(generator,seed)

# 训练模型
train(datasets,EPOCHS)

GAN生成对抗网络-GAN原理与基本实现-入门实例02相关推荐

GAN生成对抗网络的原理及CycleGAN、Pixel2Pixel、starGAN的的原理即实现
生成对抗网络 1.生成对抗网络的定义生成式对抗网络是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一.模型通过框架中(至少)两个模块:生成模型和判别模型的互相博弈学习产生相当好的输出 ...
GAN生成对抗网络-CycleGAN原理与基本实现-图像转换-10
CycleGAN的原理可以概述为: 将一类图片转换成另一类图片 .也就是说,现在有两个样本空间,X和Y,我们希望把X空间中的样本转换成Y空间中的样本.(获取一个数据集的特征,并转化成另一个数据集 ...
GAN生成对抗网络-PIX2PIXGAN原理与基本实现-图像翻译09
什么是pix2pix Gan 普通的GAN接收的G部分的输入是随机向量,输出是图像 :D部分接收的输入是图像(生成的或是真实的),输出是对或者错.这样G和D联手就能输出真实的图像. 对于图像翻译任务 ...
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 ...
GAN生成对抗网络-DCGAN原理与基本实现-深度卷积生成对抗网络03
什么是DCGAN 实现代码 import tensorflow as tf from tensorflow import keras from tensorflow.keras import laye ...
GAN生成对抗网络-SSGAN原理与基本实现-半监督学习GAN-08
GAN生成对抗网络-INFOGAN原理与基本实现-可解释的生成对抗网络-06
代码 import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers import m ...
GAN生成对抗网络-GAN原理与基本实现-去噪与卷积自编码器01
基本去噪自编码器 import tensorflow as tf import matplotlib.pyplot as plt import numpy as np # 显存自适应分配 gpus = ...

GAN生成对抗网络-GAN原理与基本实现-入门实例02

什么是GAN

实现代码

GAN生成对抗网络-GAN原理与基本实现-入门实例02相关推荐

最新文章

热门文章