基于pytorch的GAN网络搭建
本次的主要任务是利用pytorch实现对GAN网络的搭建,并实现对手写数字的生成。GAN网络主要包含两部分网络,一部分是生成器,一部分是判别器。本次采用的数据库还是MNIST数据集,这里对数据的获取不在赘述。
1、生成器
生成器的主要功能是生成我们所需要的样本,这里是28*28的图片。首先生成长度为100的高斯噪声,并且将噪声通过线性模型升维到784维。激活函数采用Relu。
# 定义判别器 #####Generator######使用多层网络来作为判别器
# 输入一个100维的0~1之间的高斯分布,多层映射到784维class generator(nn.Module):def __init__(self):super(generator, self).__init__()self.gen = nn.Sequential(nn.Linear(100, 256), # 用线性变换将输入映射到256维nn.ReLU(True), # relu激活nn.Linear(256, 512), # 线性变换nn.ReLU(True), # relu激活nn.Linear(512, 784), # 线性变换nn.Tanh() # Tanh激活使得生成数据分布在【-1,1】之间,因为输入的真实数据的经过transforms之后也是这个分布)def forward(self, x):x = self.gen(x)return x
2、判别器
识别器的主要功能是分辨真实图片与构造的图片,实际上就是一个二分类问题,这里采用全连接网络提取特征并进行二分类,也可以利用CNN、LSTM等网络进行特征提取。
# 定义判别器 #####Discriminator######使用多层网络来作为判别器
# 将图片利用LeNet网络进行二分类,判断图片是真实的还是生成的
class discriminator(nn.Module):def __init__(self):super(discriminator, self).__init__()self.f1 = nn.Sequential(nn.Linear(784, 512),nn.LeakyReLU(0.2))self.f2 = nn.Sequential(nn.Linear(512, 256),nn.LeakyReLU(0.2))self.out = nn.Sequential(nn.Linear(256, 1),nn.Sigmoid())def forward(self, x):x = self.f1(x)x = self.f2(x)x = self.out(x)return x
3、定义损失函数
(1)判别器损失
判别器主要实现对真假样本的分类,因此需要将真的图片判断为真,假的图片判断为假。因此需要分别计算两种情况的损失函数相加。
# ########判别器训练train#####################
# 分为两部分:1、真的图像判别为真;2、假的图像判别为假
# 计算真实图片的损失
real_out = self.D(real_img) # 将真实图片放入判别器中
d_loss_real = self.criterion(real_out, real_label) # 得到真实图片的loss
real_scores = real_out # 得到真实图片的判别值,输出的值越接近1越好
# 计算假的图片的损失
z = Variable(torch.randn(num_img, Config.z_dim)).cuda() # 随机生成一些噪声
fake_img = self.G(z).detach() # 随机噪声放入生成网络中,生成一张假的图片。 # 避免梯度传到G,因为G不用更新, detach分离
fake_out = self.D(fake_img) # 判别器判断假的图片,
d_loss_fake = self.criterion(fake_out, fake_label) # 得到假的图片的loss
fake_scores = fake_out # 得到假图片的判别值,对于判别器来说,假图片的损失越接近0越好
# 损失函数和优化
d_loss = d_loss_real + d_loss_fake # 损失包括判真损失和判假损失
self.d_optimizer.zero_grad() # 在反向传播之前,先将梯度归0
d_loss.backward() # 将误差反向传播
self.d_optimizer.step() # 更新参数
(2)生成器损失
# ==================训练生成器============================
# ###############################生成网络的训练
# 希望生成的图片被认为是真的照片,因此需要假图片对应真label的损失,并且更新生成器的参数z = Variable(torch.randn(num_img, Config.z_dim)).cuda() # 得到随机噪声
fake_img = self.G(z) # 随机噪声输入到生成器中,得到一副假的图片
output = self.D(fake_img) # 经过判别器得到的结果
g_loss = self.criterion(output, real_label) # 得到的假的图片与真实的图片的label的loss
# bp and optimize
self.g_optimizer.zero_grad() # 梯度归0
g_loss.backward() # 进行反向传播
self.g_optimizer.step() # .step()一般用在反向传播后面,用于更新生成网络的参数
4、训练模型
import torch
from torchvision import datasets, transforms
import torch.nn as nn
from torch.autograd import Variable
from torchvision.utils import save_image
import osclass Config:device = torch.device('cuda:0')batch_size = 128epoch = 100alpha = 3e-4print_per_step = 100 # 控制输出z_dim = 100# 定义判别器 #####Discriminator######使用多层网络来作为判别器
# 将图片利用LeNet网络进行二分类,判断图片是真实的还是生成的
class discriminator(nn.Module):def __init__(self):super(discriminator, self).__init__()self.f1 = nn.Sequential(nn.Linear(784, 512),nn.LeakyReLU(0.2))self.f2 = nn.Sequential(nn.Linear(512, 256),nn.LeakyReLU(0.2))self.out = nn.Sequential(nn.Linear(256, 1),nn.Sigmoid())def forward(self, x):x = self.f1(x)x = self.f2(x)x = self.out(x)return x# 定义判别器 #####Generator######使用多层网络来作为判别器
# 输入一个100维的0~1之间的高斯分布,多层映射到784维class generator(nn.Module):def __init__(self):super(generator, self).__init__()self.gen = nn.Sequential(nn.Linear(100, 256), # 用线性变换将输入映射到256维nn.ReLU(True), # relu激活nn.Linear(256, 512), # 线性变换nn.ReLU(True), # relu激活nn.Linear(512, 784), # 线性变换nn.Tanh() # Tanh激活使得生成数据分布在【-1,1】之间,因为输入的真实数据的经过transforms之后也是这个分布)def forward(self, x):x = self.gen(x)return xclass TrainProcess:def __init__(self):self.data = self.load_data()self.D = discriminator().to(Config.device)self.G = generator().to(Config.device)self.criterion = nn.BCELoss() # 定义损失函数self.d_optimizer = torch.optim.Adam(self.D.parameters(), lr=Config.alpha)self.g_optimizer = torch.optim.Adam(self.G.parameters(), lr=Config.alpha)@staticmethoddef load_data():transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5,), (0.5,)) # (x-mean) / std])data = datasets.MNIST(root='./data/',train=True,transform=transform,download=True)# 返回一个数据迭代器# shuffle:是否打乱顺序data_loader = torch.utils.data.DataLoader(dataset=data,batch_size=Config.batch_size,shuffle=True)return data_loader@staticmethoddef to_img(x):out = 0.5 * (x + 1)out = out.clamp(0, 1) # Clamp函数可以将随机变化的数值限制在一个给定的区间[min, max]内:out = out.view(-1, 1, 28, 28) # view()函数作用是将一个多行的Tensor,拼接成一行return outdef train_step(self):# ##########################进入训练##判别器的判断过程#####################for epoch in range(Config.epoch): # 进行多个epoch的训练for i, (img, _) in enumerate(self.data):num_img = img.size(0)# view()函数作用是将一个多行的Tensor,拼接成一行# 第一个参数是要拼接的tensor,第二个参数是-1# =============================训练判别器==================img = img.view(num_img,-1)real_img = Variable(img).cuda() # 将tensor变成Variable放入计算图中real_label = Variable(torch.ones(num_img)).cuda() # 定义真实的图片label为1fake_label = Variable(torch.zeros(num_img)).cuda() # 定义假的图片的label为0# ########判别器训练train###################### 分为两部分:1、真的图像判别为真;2、假的图像判别为假# 计算真实图片的损失real_out = self.D(real_img) # 将真实图片放入判别器中d_loss_real = self.criterion(real_out, real_label) # 得到真实图片的lossreal_scores = real_out # 得到真实图片的判别值,输出的值越接近1越好# 计算假的图片的损失z = Variable(torch.randn(num_img, Config.z_dim)).cuda() # 随机生成一些噪声fake_img = self.G(z).detach() # 随机噪声放入生成网络中,生成一张假的图片。 # 避免梯度传到G,因为G不用更新, detach分离fake_out = self.D(fake_img) # 判别器判断假的图片,d_loss_fake = self.criterion(fake_out, fake_label) # 得到假的图片的lossfake_scores = fake_out # 得到假图片的判别值,对于判别器来说,假图片的损失越接近0越好# 损失函数和优化d_loss = d_loss_real + d_loss_fake # 损失包括判真损失和判假损失self.d_optimizer.zero_grad() # 在反向传播之前,先将梯度归0d_loss.backward() # 将误差反向传播self.d_optimizer.step() # 更新参数# ==================训练生成器============================# ###############################生成网络的训练################################ 原理:目的是希望生成的假的图片被判别器判断为真的图片,# 在此过程中,将判别器固定,将假的图片传入判别器的结果与真实的label对应,# 反向传播更新的参数是生成网络里面的参数,# 这样可以通过更新生成网络里面的参数,来训练网络,使得生成的图片让判别器以为是真的# 这样就达到了对抗的目的# 计算假的图片的损失z = Variable(torch.randn(num_img, Config.z_dim)).cuda() # 得到随机噪声fake_img = self.G(z) # 随机噪声输入到生成器中,得到一副假的图片output = self.D(fake_img) # 经过判别器得到的结果g_loss = self.criterion(output, real_label) # 得到的假的图片与真实的图片的label的loss# bp and optimizeself.g_optimizer.zero_grad() # 梯度归0g_loss.backward() # 进行反向传播self.g_optimizer.step() # .step()一般用在反向传播后面,用于更新生成网络的参数# 打印中间的损失if (i + 1) % 100 == 0:print('Epoch[{}/{}],d_loss:{:.6f},g_loss:{:.6f} ''D real: {:.6f},D fake: {:.6f}'.format(epoch, Config.epoch, d_loss.data.item(), g_loss.data.item(),real_scores.data.mean(), fake_scores.data.mean() # 打印的是真实图片的损失均值))if epoch == 0:real_images = self.to_img(real_img.cpu().data)save_image(real_images, './img/real_images.png')fake_images = self.to_img(fake_img.cpu().data)save_image(fake_images, './img/fake_images-{}.png'.format(epoch + 1))if __name__ == "__main__":# 创建文件夹if not os.path.exists('./img'):os.mkdir('./img')p = TrainProcess()p.train_step()
结果展示:
真实样本 训练1个epoch生成的样本
训练50个epoch生成的样本 训练100个epoch生成的样本
基于pytorch的GAN网络搭建相关推荐
- 基于PyTorch的GAN框架TorchGAN:用架构级API轻松定制GAN项目
机器之心报道 参与:刘晓坤 TorchGAN 是基于 PyTorch 的 GAN 设计开发框架.该框架旨在为流行的 GAN 提供构造模块,且允许为前沿研究进行定制化. 使用 TorchGAN 的模块化 ...
- <计算机视觉四> pytorch版yolov3网络搭建
鼠标点击下载 项目源代码免费下载地址 <计算机视觉一> 使用标定工具标定自己的目标检测 <计算机视觉二> labelme标定的数据转换成yolo训练格式 <计算机 ...
- 基于Docker的拓扑网络搭建可行性探究
基于Docker的拓扑网络搭建可行性探究 文章目录 基于Docker的拓扑网络搭建可行性探究 引入 Docker环境配置与容器选择 Image 命令 (镜像相关) Container命令(容器相关) ...
- Kaggle猫狗大战——基于Pytorch的CNN网络分类:数据获取、预处理、载入(1)
Kaggle猫狗大战--基于Pytorch的CNN网络分类:数据获取.预处理.载入(1) 第一次写CSDN博客,之前一直是靠着CSDN学学代码,这次不得不亲自上场了,就想着将学习的过程都记录下来.新人 ...
- 基于pytorch的胶囊网络minst图像分类实现
关于<Dynamic Routing Between Capsules>这篇论文的代码复现网上有很多,基本都是做图像重构的.我修改了其中一部分代码,实现了minst图像分类. 参考:基于p ...
- 基于pytorch的Faster-Rcnn网络实现视力表字符检测
今天要做的是使用一个基于pytorch环境下的Faster-Rcnn网络实现对视力表字符的检测任务. 使用平台:pycharm:环境:torch1.5.0.cuda10.2 目录 一.制作数据集 二. ...
- 基于pytorch的FCN网络简单实现
参考知乎专栏实现FCN网络https://zhuanlan.zhihu.com/p/32506912 import torch from torch import nn import torch.nn ...
- 基于 VLANIF 的公司网络搭建
实验拓扑 Jan16 公司现有财务部和技术部,使用一台 24 口三层交换机进行互联.为方便管理, 要求为部门创建相应的 VLAN,并实现 VLAN 间通信. 1.1基础配置 三层交换机可以通过创建 V ...
- 【项目实战课】基于Pytorch的DCGAN人脸嘴部表情图像生成实战
欢迎大家来到我们的项目实战课,本期内容是<基于Pytorch的DCGAN人脸嘴部表情图像生成实战>. 所谓项目实战课,就是以简单的原理回顾+详细的项目实战的模式,针对具体的某一个主题,进行 ...
- Python基于PyTorch实现BP神经网络ANN分类模型项目实战
说明:这是一个机器学习实战项目(附带数据+代码+文档+视频讲解),如需数据+代码+文档+视频讲解可以直接到文章最后获取. 1.项目背景 在人工神经网络的发展历史上,感知机(Multilayer Per ...
最新文章
- 区块链BaaS云服务(16)天德链TDBC“系统介绍”
- 【活动】PMcaff免费培训之终结版扩招名额----20名额等你来抢
- from advanced computing to machine learning
- Web Hacking 101 中文版 十七、服务端请求伪造
- linux脚本 scp 管道,scp命令详解(全)
- openfire源码编译后部署到linux
- Java经典编程题50道之三十一
- W3Cschoool菜鸟教程
- 抖音seo,抖音优化系统,抖音seo矩阵系统源码技术搭建
- A*算法————传教士和野人
- TFT-LCD电路设计之时序控制电路(TCON)
- 如何在Node中将PDF每页转换为图片以及PDF各种操作
- 考研、考公还是找工作?别在大学因为迷茫这个问题浪费时间了
- 白杨SEO:新媒体如何避免侵权?这篇自媒体防侵权实用指南让你少走弯路!
- linux nc命令 测试网络连通性
- 行业分析报告|线上教育技术市场现状及未来发展趋势
- 解决\xEF\xBB\xBF问题
- CocosCreator之KUOKUO带你搞反射-获取电池信息
- MATLAB中的数据精度处理
- FZU:I. Fire Game
热门文章
- Oracle图书馆借阅管理数据库,图书借阅系统的oracle数据库
- Python——银行管理系统
- null object java_java1.8--Null Object模式
- 51单片机之 IE,TCON,TMOD 寄存器 (超详细解读-内含详细代码)
- Guice 快速入门
- 【翻译】【词典】【词库】(PC版)离线词典GoldenDict+离线词库--地表最强 (by shany shang)
- 基于MATLAB的GUI界面设计流程
- 分享:一个Java写的教师信息管理系统(windowbuilder)(附码云源码)~~~
- 【008】基于vue.js的仿网易云web端(含源码答辩PPT、接口文档、运行教程)
- uvlayout和MAYA的接口的问题