gan网络原理（通俗）+minist手写字体实战

gan网络原理如下：

mnist手写字体实战：

import torch
import torchvision
from torchvision import transforms
from torchvision.utils import save_image
from torch import nn
from torch.autograd import Variable
from torch import optim
import ostransform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5,), (0.5,)),
])mnist = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform)
dataloader = torch.utils.data.DataLoader(mnist, batch_size=100, shuffle=True)class Dnet(nn.Module):def __init__(self):super(Dnet, self).__init__()self.conv1 = nn.Sequential(nn.Conv2d(1, 6, 3, padding=2),  # batch, 6, 30,30nn.LeakyReLU(0.2, True),nn.MaxPool2d(2, stride=2),  # batch, 6, 15, 15)self.conv2 = nn.Sequential(nn.Conv2d(6, 12, 3, padding=2),  # batch, 12, 17, 17nn.LeakyReLU(0.2, True),nn.MaxPool2d(2, stride=2)  # batch, 12, 8, 8)self.fc = nn.Sequential(nn.Linear(12 * 8 * 8, 1024),nn.LeakyReLU(0.2, True),nn.Linear(1024, 1),nn.Sigmoid())# x.shape:[100,1,28,28]def forward(self, x):'''x: batch, width, height, channel=1'''x = self.conv1(x)x = self.conv2(x)x = x.view(x.size(0), -1)               # 将第二次卷积的输出拉伸为一行x = self.fc(x)x = x.squeeze(-1) # x.shape:[100,]return xclass Gnet(nn.Module):def __init__(self):super(Gnet, self).__init__()self.fc = nn.Linear(128, 784)  # batch, 1,28,28self.br = nn.Sequential(nn.BatchNorm2d(1),nn.ReLU(True))self.downsample1 = nn.Sequential(nn.Conv2d(1, 12, 3, stride=1, padding=1),  # batch, 12, 28, 28nn.BatchNorm2d(12),nn.ReLU(True))self.downsample2 = nn.Sequential(nn.Conv2d(12, 6, 3, stride=1, padding=1),  # batch, 6, 28, 28nn.BatchNorm2d(6),nn.ReLU(True))self.downsample3 = nn.Sequential(nn.Conv2d(6, 1, 3, stride=1, padding=1),  # batch, 1, 28, 28nn.Tanh())# x.shape:[100,128]def forward(self, x):x = self.fc(x) # # x.shape:[100,784]x = x.view(x.size(0), 1, 28, 28) # x.shape:[100,1,28,28]x = self.br(x) # x.shape:[100,1,28,28]x = self.downsample1(x) # x.shape:[100,12,28,28]x = self.downsample2(x) # x.shape:[100,6,28,28]x = self.downsample3(x) # x.shape:[100,1,28,28]return xdef to_img(x):y = (x + 1) * 0.5y = y.clamp(0, 1)y = y.view(-1, 1, 28, 28)return yclass Net:def __init__(self):self.dnet = Dnet()self.gnet = Gnet()self.dnet = self.dnet.cuda()self.gnet = self.gnet.cuda()self.Loss = nn.BCELoss()self.d_optimizer = optim.Adam(self.dnet.parameters(), lr=0.0002)self.g_optimizer = optim.Adam(self.gnet.parameters(), lr=0.0002)def forward(self, real_x, fack_x):self.real_d_out = self.dnet(real_x) # 将真样本输入到判别器，得到判别结果self.real_d_outg_out = self.gnet(fack_x) # 将噪声输入生成器产生假样本，g_out.shape:[100,1,28,28]self.g_d_out = net.dnet(g_out.detach()) #将假样本输入判别器，得到判别结果self.g_d_outdef backward(self, pos_y, nega_y, fack_xs):# 以下几行的目地是训练判别器，使得判别器遇到真实样本就给1，遇到假样本就给0；d_out_loss = self.Loss(self.real_d_out, pos_y) # 将真样本判别结果self.real_d_out和真实标签求lossg_d_loss = self.Loss(self.g_d_out, nega_y) # 将假样本判别结果self.g_d_out和假标签求lossself.d_loss = d_out_loss + g_d_lossself.d_optimizer.zero_grad()self.d_loss.backward(retain_graph = True)self.d_optimizer.step()# 以下几行的目的是训练生成器，使得生成器产生的假样本越来越接近真实；self.fack_g_out = self.gnet(fack_xs) # 将噪声输入生成器产生假样本self.fack_g_d_out = self.dnet(self.fack_g_out) #将假样本输入判别器，得到判别结果self.fack_g_d_outself.g_loss = self.Loss(self.fack_g_d_out, pos_y) # 将假样本的判别结果与正标签对比求loss,意思是让假样本越来越接近真实；self.g_optimizer.zero_grad()self.g_loss.backward()self.g_optimizer.step()if __name__ == '__main__':if not os.path.exists('img'):os.mkdir('img')net = Net()for i in range(100):for x, y in dataloader:# x = x.view(x.size(0),-1)real_x = Variable(x).cuda() # x [100,1,28,28] ,real_x:真样本输入fack_x = Variable(torch.randn(100, 128)).cuda() #fack_x：噪声  torch.randn(100, 128)标准正态分布pos_y = Variable(torch.ones(100)).cuda() # 真样本标签nega_y = Variable(torch.zeros(100)).cuda() # 假样本标签fack_xs = Variable(torch.randn(100, 128)).cuda() # fack_xs：噪声net.forward(real_x, fack_x) # 前向推理，输入real_x, fack_x，即真样本输入和噪声net.backward(pos_y, nega_y, fack_xs) #反向传播过程img = to_img(net.fack_g_out.data)D_Accuracy = ((net.real_d_out.mean() + 1 - net.fack_g_d_out.mean()) / 2).item()print(net.d_loss.item(), net.g_loss.item(), D_Accuracy)save_image(img, './img/fake_images-{}.png'.format(i + 1))

gan网络原理（通俗）+minist手写字体实战相关推荐

深度学习 LSTM长短期记忆网络原理与Pytorch手写数字识别
深度学习 LSTM长短期记忆网络原理与Pytorch手写数字识别一.前言二.网络结构三.可解释性四.记忆主线五.遗忘门六.输入门七.输出门八.手写数字识别实战 8.1 引入依赖库 8. ...
《TensorFlow实例一 MINIST手写字体识别》
Ubuntu python3 TensorFlow实例:使用RNN算法实现对MINST-data数字集识别,最终识别准确率达96.875% PS:小白一个,初级阶段,从调试到实现,step by st ...
pytorch深度学习神经网络实现手写字体识别
利用平pytorch搭建简单的神经网络实现minist手写字体的识别,采用三层线性函数迭代运算,使得其具备一定的非线性转化与运算能力,其数学原理如下: 其具体实现代码如下所示:import torch ...
基于CNN的MINIST手写数字识别项目代码以及原理详解
文章目录项目简介项目下载地址项目开发软件环境项目开发硬件环境前言一.数据加载的作用二.Pytorch进行数据加载所需工具 2.1 Dataset 2.2 Dataloader 2.3 T ...
计算机视觉ch8 基于LeNet的手写字体识别
文章目录原理 LeNet的简单介绍 Minist数据集的特点 Python代码实现原理卷积神经网络参考:https://www.cnblogs.com/chensheng-zhou/p/6380 ...
【干货】JDK动态代理的实现原理以及如何手写一个JDK动态代理
动态代理代理模式是设计模式中非常重要的一种类型,而设计模式又是编程中非常重要的知识点,特别是在业务系统的重构中,更是有举足轻重的地位.代理模式从类型上来说,可以分为静态代理和动态代理两种类型. 在解 ...
「zi2zi」：用AI生成自己的手写字体
导读如果想要自己做一套字体,无论是电脑软件FontCreator还是网站flexifont都为我们带来了极大的便利. 但是最低的国标字体数量近7000个,若采用传统的方法则需要手写相同数量的汉字,这 ...
识别手写字体app_我如何构建手写识别器并将其运送到App Store
识别手写字体app 从构建卷积神经网络到将OCR部署到iOS (From constructing a Convolutional Neural Network to deploying an OCR ...
基于kNN的手写字体识别——《机器学习实战》笔记
看完一节<机器学习实战>,算是踏入ML的大门了吧!这里就详细讲一下一个demo:使用kNN算法实现手写字体的简单识别 kNN 先简单介绍一下kNN,就是所谓的K-近邻算法: [作用原理]: ...

gan网络原理（通俗）+minist手写字体实战

gan网络原理（通俗）+minist手写字体实战相关推荐

最新文章

热门文章