基于GAN的mnist训练集图片生成神经网络实现

最新推荐文章于 2024-08-19 23:45:42 发布

lpty

最新推荐文章于 2024-08-19 23:45:42 发布

阅读量1.2w

点赞数 3

分类专栏：图像处理深度学习文章标签： tenforflow 神经网络 mnist GAN

本文链接：https://blog.csdn.net/sinat_33741547/article/details/77751035

版权

本文介绍了基于GAN的MNIST手写数字图像生成，详细阐述了GAN的组成部分和工作原理，并通过实战展示了如何用TensorFlow训练生成器和判别器，使生成的图像逐渐接近真实图像。

摘要由CSDN通过智能技术生成

一、前言

1、什么是GAN？

GAN主要包括了两个部分，即生成器generator与判别器discriminator。

生成器主要用来学习真实图像分布从而让自身生成的图像更加真实，以骗过判别器。判别器则需要对接收的图片进行真假判别。

在整个过程中，生成器努力地让生成的图像更加真实，而判别器则努力地去识别出图像的真假，这个过程相当于一个二人博弈，随着时间的推移，生成器和判别器在不断地进行对抗，最终两个网络达到了一个动态均衡：生成器生成的图像接近于真实图像分布，而判别器识别不出真假图像，对于给定图像的预测为真的概率基本接近0.5（相当于随机猜测类别）

二、实战

1、参数定义

class MnistModel:

    def __init__(self):
        # mnist测试集
        self.mnist = input_data.read_data_sets('mnist/', one_hot=True)
        # 图片大小
        self.img_size = self.mnist.train.images[0].shape[0]
        # 每步训练使用图片数量
        self.batch_size = 64
        # 图片分块数量
        self.chunk_size = self.mnist.train.num_examples // self.batch_size
        # 训练循环次数
        self.epoch_size = 300
        # 抽取样本数
        self.sample_size = 25
        # 生成器判别器隐含层数量
        self.units_size = 128
        # 学习率
        self.learning_rate = 0.001