概述

GAN (Generative Adversarial Network) 即生成对抗网络. GAN 网络包括一个生成器 (Generator) 和一个判别器 (Discriminator). GAN 可以自动提取特征, 并判断和优化.

GAN 网络结构

生成器 (Generator) 输入一个向量, 输出手写数字大小的像素图像.

判别器 (Discriminator) 输入图片, 判断图片是来自数据集还是来自生成器的, 输出标签 (Real / Fake)

GAN 训练流程

第一阶段:

固定判别器, 训练生成器: 使得生成器的技能不断提升, 骗过判别器

第二阶段:

固定生成器, 训练判别器: 使得判别器的技能不断提升, 生成器无法骗过判别器

然后:

循环第一阶段和第二阶段, 使得生成器和判别器都越来越强

模型详解

生成器

class Generator(nn.Module):"""生成器"""def __init__(self, latent_dim, img_shape):super(Generator, self).__init__()def block(in_feat, out_feat, normalize=True):"""block:param in_feat: 输入的特征维度:param out_feat: 输出的特征维度:param normalize: 归一化:return: block"""layers = [nn.Linear(in_feat, out_feat)]# 归一化if normalize:layers.append(nn.BatchNorm1d(out_feat, 0.8))# 激活layers.append(nn.LeakyReLU(0.2, inplace=True))return layersself.model = nn.Sequential(# [b, 100] => [b, 128]*block(latent_dim, 128, normalize=False),# [b, 128] => [b, 256]*block(128, 256),# [b, 256] => [b, 512]*block(256, 512),# [b, 512] => [b, 1024]*block(512, 1024),# [b, 1024] => [b, 28 * 28 * 1] => [b, 784]nn.Linear(1024, int(np.prod(img_shape))),# 激活nn.Tanh())def forward(self, z, img_shape):# [b, 100] => [b, 784]img = self.model(z)# [b, 784] => [b, 1, 28, 28]img = img.view(img.size(0), *img_shape)# 返回生成的图片return img

网络结构:

----------------------------------------------------------------Layer (type)               Output Shape         Param #
================================================================Linear-1                  [-1, 128]          12,928LeakyReLU-2                  [-1, 128]               0Linear-3                  [-1, 256]          33,024BatchNorm1d-4                  [-1, 256]             512LeakyReLU-5                  [-1, 256]               0Linear-6                  [-1, 512]         131,584BatchNorm1d-7                  [-1, 512]           1,024LeakyReLU-8                  [-1, 512]               0Linear-9                 [-1, 1024]         525,312BatchNorm1d-10                 [-1, 1024]           2,048LeakyReLU-11                 [-1, 1024]               0Linear-12                  [-1, 784]         803,600Tanh-13                  [-1, 784]               0
================================================================
Total params: 1,510,032
Trainable params: 1,510,032
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.05
Params size (MB): 5.76
Estimated Total Size (MB): 5.82
----------------------------------------------------------------

判别器

class Discriminator(nn.Module):"""判断器"""def __init__(self, img_shape):super(Discriminator, self).__init__()self.model = nn.Sequential(# 就是个线性回归nn.Linear(int(np.prod(img_shape)), 512),nn.LeakyReLU(0.2, inplace=True),nn.Linear(512, 256),nn.LeakyReLU(0.2, inplace=True),nn.Linear(256, 1),nn.Sigmoid(),)def forward(self, img):# 压平img_flat = img.view(img.size(0), -1)validity = self.model(img_flat)return validity

网络结构:

----------------------------------------------------------------Layer (type)               Output Shape         Param #
================================================================Linear-1                  [-1, 512]         401,920LeakyReLU-2                  [-1, 512]               0Linear-3                  [-1, 256]         131,328LeakyReLU-4                  [-1, 256]               0Linear-5                    [-1, 1]             257Sigmoid-6                    [-1, 1]               0
================================================================
Total params: 533,505
Trainable params: 533,505
Non-trainable params: 0
----------------------------------------------------------------
Input size (MB): 0.00
Forward/backward pass size (MB): 0.01
Params size (MB): 2.04
Estimated Total Size (MB): 2.05

【万物皆可 GAN】生成对抗网络生成手写数字 Part 1相关推荐

【DCGAN】生成对抗网络，手写数字识别
基于paddle,aistudio的DCGAN 主要用于记录自己学习经历. 1 导入必要的包 import os import random import paddle import paddle ...
生成对抗网络生成多维数据集_生成没有数据集的新颖内容
生成对抗网络生成多维数据集介绍(Introduction) GAN architecture has been the standard for generating content through ...
利用生成对抗网络生成海洋塑料合成图像
问题陈述过去十年来,海洋塑料污染一直是气候问题的首要问题.海洋中的塑料不仅能够通过勒死或饥饿杀死海洋生物,而且也是通过捕获二氧化碳使海洋变暖的一个主要因素. 近年来,非营利组织海洋清洁组织(Ocea ...
pytorch生成对抗网络生成动漫图像
代码地址:pytorch实战,使用生成对抗网络生成动漫图像 dataset from torchvision import transforms from torch.utils.data impor ...
CNN网络实现手写数字（MNIST）识别代码分析
CNN网络实现手写数字(MNIST)识别代码分析(自学用) Github代码源文件本文是学习了使用Pytorch框架的CNN网络实现手写数字(MNIST)识别 #导入需要的包 import num ...
基于Python的BP网络实现手写数字识别
资源下载地址:https://download.csdn.net/download/sheziqiong/86790047 资源下载地址:https://download.csdn.net/downl ...
基于改进型生成对抗网络生成异构故障样本的方法
文章地址:A Modified Generative Adversarial Network for Fault Diagnosis in High-Speed Train Components wi ...
生物神经网络与机器学习的碰撞，Nature论文提出DNA试管网络识别手写数字
近日,来自加州理工学院的研究人员开发出一种由 DNA 制成的新型人工神经网络.该网络解决了一个经典的机器学习问题:正确识别手写数字.该项研究中,研究者用了 36 个手写数字 6 和 7 作为测试例子, ...
“万物皆可Seq2Seq” | 忠于原文的T5手写论文翻译
<Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer> 摘要 / Abstr ...

【万物皆可 GAN】生成对抗网络生成手写数字 Part 1

【万物皆可 GAN】生成对抗网络生成手写数字 Part 1

概述

GAN 网络结构

GAN 训练流程

模型详解

生成器

判别器

【万物皆可 GAN】生成对抗网络生成手写数字 Part 1相关推荐

最新文章

热门文章