HW GAN
代码
# 导入所需的库和模块
# 包括PyTorch、numpy和matplotlib
import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.pyplot as plt
import matplotlib.font_manager as fm
# 通过font_manager找到系统中的中文字体
myfont = fm.FontProperties(fname='/usr/share/fonts/truetype/arphic/ukai.ttc')
# 设置中文字体为默认字体
plt.rcParams['font.family'] = ['sans-serif']
plt.rcParams['font.sans-serif'] = ['SimHei'] # 指定系统默认字体为黑体
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
# 定义模型的超参数
# 包括批量大小、生成器和判别器的学习率、随机初始点数和生成的绘画组件数等。
BATCH_SIZE = 64
LR_G = 0.0001 # 生成器的学习率
LR_D = 0.0001 # 判别器的学习率
N_IDEAS = 5 # 生成艺术作品的随机初始点数(想象力的个数)
ART_COMPONENTS = 15 # 它是画布上可以画出的总点数
PAINT_POINTS = np.vstack([np.linspace(-1, 1, ART_COMPONENTS) for _ in range(BATCH_SIZE)])
# 显示我们美丽的绘画范围
# plt.plot(PAINT_POINTS[0], 2 * np.power(PAINT_POINTS[0], 2) + 1, c='#74BCFF', lw=3, label='上界')
# plt.plot(PAINT_POINTS[0], 1 * np.power(PAINT_POINTS[0], 2) + 0, c='#FF9359', lw=3, label='下界')
# plt.legend(loc='upper right')
# plt.show()
# 定义一个函数来生成真实艺术家的作品
# 该函数生成具有艺术家风格的绘画,这将用于训练判别器。
def artist_works():
a = np.random.uniform(1, 2, size=BATCH_SIZE)[:, np.newaxis]
paintings = a * np.power(PAINT_POINTS, 2) + (a - 1)
paintings = torch.from_numpy(paintings).float()
return paintings
# 定义生成器和判别器的架构,使用神经网络模块定义
G = nn.Sequential(
nn.Linear(N_IDEAS, 128), # 随机初始点
nn.ReLU(),
nn.Linear(128, ART_COMPONENTS), # 从这些随机点中生成艺术作品
)
D = nn.Sequential(
nn.Linear(ART_COMPONENTS, 128), # 从著名艺术家或像G这样的新手收到艺术作品
nn.ReLU(),
nn.Linear(128, 1),
nn.Sigmoid(), # 输出这幅艺术作品是由著名艺术家创作的概率
)
# 定义生成器和判别器的优化器,用于更新它们的权重
opt_D = torch.optim.Adam(D.parameters(), lr=LR_D)
opt_G = torch.optim.Adam(G.parameters(), lr=LR_G)
# something about continuous plotting
plt.ion()
# 在训练循环中,首先从真实艺术家处获取一批真实绘画,
# 然后生成一批随机初始点,使用生成器生成一组“虚假”绘画,
# 并使用判别器将这些“虚假”绘画与真实绘画进行比较,
# 计算损失并更新网络的权重。
for step in range(10000):
artist_paintings = artist_works() # real painting from artist
G_ideas = torch.randn(BATCH_SIZE, N_IDEAS, requires_grad=True) # random ideas\n
G_paintings = G(G_ideas) # fake painting from G (random ideas)
prob_artist1 = D(G_paintings) # D try to reduce this prob
G_loss = torch.mean(torch.log(1. - prob_artist1))
opt_G.zero_grad()
G_loss.backward()
opt_G.step()
prob_artist0 = D(artist_paintings) # D try to increase this prob
prob_artist1 = D(G_paintings.detach()) # D try to reduce this prob
D_loss = - torch.mean(torch.log(prob_artist0) + torch.log(1. - prob_artist1))
opt_D.zero_grad()
D_loss.backward(retain_graph=True) # reusing computational graph
opt_D.step()
if step % 50 == 0: # plotting
plt.cla()
plt.plot(PAINT_POINTS[0], G_paintings.data.numpy()[0], c='#4AD631', lw=3, label='生成的绘画', )
plt.plot(PAINT_POINTS[0], 2 * np.power(PAINT_POINTS[0], 2) + 1, c='#74BCFF', lw=3, label='上界')
plt.plot(PAINT_POINTS[0], 1 * np.power(PAINT_POINTS[0], 2) + 0, c='#FF9359', lw=3, label='下界')
plt.text(-.5, 2.3, 'D 准确率=%.2f (D收敛时为0.5)' % prob_artist0.data.numpy().mean(),
fontdict={'size': 13})
plt.text(-.5, 2, 'D 评分= %.2f (G收敛时为-1.38)' % -D_loss.data.numpy(), fontdict={'size': 13})
plt.ylim((0, 3));
plt.legend(loc='upper right', fontsize=10);
plt.draw();
plt.pause(0.01)
plt.ioff()
plt.show()
解释
这段代码实现了一个基于GAN(生成对抗网络)的简单的绘画生成模型。它分为以下几个部分:
导入所需的库和模块,包括PyTorch、numpy和matplotlib。
定义模型的超参数,包括批量大小、生成器和判别器的学习率、随机初始点数和生成的绘画组件数等。
定义一个函数来生成真实艺术家的作品,该函数生成具有艺术家风格的绘画,这将用于训练判别器。
定义生成器和判别器的架构,使用神经网络模块定义。
定义生成器和判别器的优化器,用于更新它们的权重。
在训练循环中,首先从真实艺术家处获取一批真实绘画,然后生成一批随机初始点,使用生成器生成一组“虚假”绘画,并使用判别器将这些“虚假”绘画与真实绘画进行比较,计算损失并更新网络的权重。
每50步,生成器会生成一些新的绘画并在绘图窗口中显示出来。