基于GAN的手写数字生成实践

之前就对GAN这项技术很感兴趣，可是后面一直没有找到时间研究一下，今天找来了一个很不错的例子学习实践了一下，简单来记录一下自己的实践，具体的代码如下：

#!usr/bin/env python
#encoding:utf-8
from __future__ import division'''
__Author__:沂水寒城
功能： 基于GAN的手写数字生成实践
'''import os
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
from tensorflow.examples.tutorials.mnist import input_data#设置基本的参数信息
mb_size = 32
X_dim = 784
z_dim = 64
h_dim = 128
lr = 1e-3
m = 5
lam = 1e-3
gamma = 0.5
k_curr = 0
if not os.path.exists('result/'):os.makedirs('result/')
mnist = input_data.read_data_sets('../../MNIST_data', one_hot=True)def numberPloter(samples):'''数字图像绘制'''figure = plt.figure(figsize=(8, 8))gs = gridspec.GridSpec(4, 4)gs.update(wspace=0.05, hspace=0.05)for i, sample in enumerate(samples):ax = plt.subplot(gs[i])plt.axis('off')ax.set_xticklabels([])ax.set_yticklabels([])ax.set_aspect('equal')plt.imshow(sample.reshape(28, 28), cmap='Greys_r')return figuredef xavier_init(size):'''初始化'''in_dim = size[0]xavier_stddev = 1. / tf.sqrt(in_dim / 2.)return tf.random_normal(shape=size, stddev=xavier_stddev)X = tf.placeholder(tf.float32, shape=[None, X_dim])
z = tf.placeholder(tf.float32, shape=[None, z_dim])
k = tf.placeholder(tf.float32)
D_W1 = tf.Variable(xavier_init([X_dim, h_dim]))
D_b1 = tf.Variable(tf.zeros(shape=[h_dim]))
D_W2 = tf.Variable(xavier_init([h_dim, X_dim]))
D_b2 = tf.Variable(tf.zeros(shape=[X_dim]))
G_W1 = tf.Variable(xavier_init([z_dim, h_dim]))
G_b1 = tf.Variable(tf.zeros(shape=[h_dim]))
G_W2 = tf.Variable(xavier_init([h_dim, X_dim]))
G_b2 = tf.Variable(tf.zeros(shape=[X_dim]))
theta_G = [G_W1, G_W2, G_b1, G_b2]
theta_D = [D_W1, D_W2, D_b1, D_b2]def sample_z(m, n):'''随机数'''return np.random.uniform(-1., 1., size=[m, n])def G(z):'''定义两个网络'''G_h1 = tf.nn.relu(tf.matmul(z, G_W1) + G_b1)G_log_prob = tf.matmul(G_h1, G_W2) + G_b2G_prob = tf.nn.sigmoid(G_log_prob)return G_probdef D(X):'''定义两个网络'''D_h1 = tf.nn.relu(tf.matmul(X, D_W1) + D_b1)X_recon = tf.matmul(D_h1, D_W2) + D_b2return tf.reduce_mean(tf.reduce_sum((X - X_recon)**2, 1))# 计算损失
G_sample = G(z)
D_real = D(X)
D_fake = D(G_sample)
D_loss = D_real - k*D_fake
G_loss = D_fake
D_solver=(tf.train.AdamOptimizer(learning_rate=lr).minimize(D_loss, var_list=theta_D))
G_solver=(tf.train.AdamOptimizer(learning_rate=lr).minimize(G_loss, var_list=theta_G))
sess = tf.Session()
sess.run(tf.global_variables_initializer())# 迭代计算一百万次，每1000次绘制一张图片
num = 0
for it in range(1000000):X_mb, _ = mnist.train.next_batch(mb_size)_, D_real_curr = sess.run([D_solver, D_real],feed_dict={X: X_mb, z: sample_z(mb_size, z_dim), k: k_curr})_, D_fake_curr = sess.run([G_solver, D_fake],feed_dict={X: X_mb, z: sample_z(mb_size, z_dim)})k_curr = k_curr + lam * (gamma*D_real_curr - D_fake_curr)if it % 1000 == 0:measure = D_real_curr + np.abs(gamma*D_real_curr - D_fake_curr)print('Iter-{}; Convergence measure: {:.4}'.format(it, measure))samples = sess.run(G_sample, feed_dict={z: sample_z(16, z_dim)})fig = plot(samples)plt.savefig('result/{}.png'.format(str(num).zfill(3)), bbox_inches='tight')num += 1plt.close(fig)

这是一个很简单实用的例子，基于GAN来生成手写数字，关于各部分的代码作用，我在具体的代码里面已经加入了相应的注释，下面我们来简单看一下输出的结果：

。。。。。。。。。。。。。。。。。。

上面是展示了1000张图片的前100张，和后面将近100张左右的结果缩略图，这里给出来第一张和最后一张：

第一张：

最后一张：

之后找时间继续学习，欢迎交流！

基于GAN的手写数字生成实践相关推荐

深度学习之基于GAN实现手写数字生成
在弄毕设的时候,室友的毕设是基于DCGAN实现音乐的自动生成.那是第一次接触对抗神经网络,当时听室友的描述就是两个CNN,一个生成一个监测,在互相博弈. 最近我关注的一个大神在弄有关于GAN的东西,所 ...
深度学习100例-生成对抗网络（GAN）手写数字生成 | 第18天
文章目录一.前期工作 1. 设置GPU 2. 定义训练参数二.什么是生成对抗网络 1. 简单介绍 2. 应用领域三.网络结构四.构建生成器五.构建鉴别器六.训练模型 1. 保存样例图片 2 ...
生成对抗网络(GAN)——MNIST手写数字生成
前言正文一.什么是GAN 二.GAN的应用三.GAN的网络模型对抗生成手写数字一.引入必要的库一.引入必要的库二.进行准备工作三.定义生成器和判别器模型四.设置损失函数和优化器,以及 ...
深度学习之基于DCGAN实现手写数字生成
该篇文章与上篇文章内容相差不多,但是主要的网络结构不同,上篇文章采用的是GAN网络结构,而这篇文章采用的是DCGAN网络结构.两者的差异在于以下几点: (1)使用卷积和去卷积代替池化层. (2)在生成 ...
机器学习算法（九）: 基于线性判别LDA模型的分类（基于LDA手写数字分类实践）
机器学习算法(九): 基于线性判别模型的分类 1.前言:LDA算法简介和应用 1.1.算法简介线性判别模型(LDA)在模式识别领域(比如人脸识别等图形图像识别领域)中有非常广泛的应用.LDA是一种监 ...
基于CNN的手写数字识别
基于CNN的手写数字识别文章目录基于CNN的手写数字识别零. 写在之前壹. 聊聊CNN 01. 什么是CNN 02. 为什么要有CNN 03. CNN模型 3.1 卷积层 3.2 池化层 3. ...
DL之RBM：基于RBM实现手写数字图片识别提高准确率
DL之RBM:基于RBM实现手写数字图片识别提高准确率目录输出结果设计代码输出结果设计代码 import numpy as np import matplotlib.pyplot as pl ...
TF之LiR：基于tensorflow实现手写数字图片识别准确率
TF之LiR:基于tensorflow实现手写数字图片识别准确率目录输出结果代码设计输出结果 Extracting MNIST_data\train-images-idx3-ubyte.gz ...
基于tensorflow的手写数字识别
基于tensorflow的手写数字识别数据准备引入包加载数据查看数据信息查看一张图片数据预处理搭建网络模型模型的预测与评价模型的展示对一张图片进行预测准确率数据准备引入包 i ...
ML之K-means：基于(完整的)手写数字图片识别数据集利用K-means算法实现图片聚类
ML之K-means:基于(完整的)手写数字图片识别数据集利用K-means算法实现图片聚类目录输出结果设计思路核心代码输出结果设计思路核心代码 metrics.adjusted_ran ...

基于GAN的手写数字生成实践

基于GAN的手写数字生成实践相关推荐

最新文章

热门文章