生成对抗网络 | 实验

最新推荐文章于 2024-05-24 21:58:32 发布

「已注销」

最新推荐文章于 2024-05-24 21:58:32 发布

阅读量687

点赞数

本文链接：https://blog.csdn.net/Chile_Wang/article/details/104104058

版权

本文通过实验介绍了如何使用生成对抗网络（GAN）在Jupyter Notebook和Keras环境中处理Minist手写体图像数据集。实验中涉及数据读取、超参数设置、生成器和辨别器的定义，以及训练过程。虽然初始模型的loss不理想，但可通过调参优化，如调整batch size、learning rate等。GAN不仅用于图像生成，还广泛应用于数据增强等领域。

摘要由CSDN通过智能技术生成

上期我们介绍了

生成对抗网络 | 原理及训练过程

同样地，我们依旧通过实验来巩固我们刚刚所学的知识点。本次实验是基于Jupyer Notebook、Anaconda Python3.7与Keras环境。数据集是利用Minst手写体图像数据集。

5.3.1 代码

1.  # chapter5/5_3_GAN.ipynb
2.  import random  
3.  import numpy as np  
4.  from keras.layers import Input  
5.  from keras.layers.core import Reshape,Dense,Dropout,Activation,Flatten  
6.  from keras.layers.advanced_activations import LeakyReLU  
7.  from keras.layers.convolutional import Convolution2D, MaxPooling2D, ZeroPadding2D, Deconv2D, UpSampling2D  
8.  from keras.regularizers import *  
9.  from keras.layers.normalization import *  
10.  from keras.optimizers import *  
11.  from keras.datasets import mnist  
12.  import matplotlib.pyplot as plt  
13.  from keras.models import Model  
14.  from tqdm import tqdm  
15.  from IPython import display

1. 读取数据集

1.  img_rows, img_cols = 28, 28  
2.    
3.  # 数据集的切分与混洗（shuffle） 
4.  (X_train, y_train), (X_test, y_test) = mnist.load_data()  
5.    
6.  X_train = X_train.reshape(X_train.shape[0], 1, img_rows, img_cols)  
7.  X_test = X_test.reshape(X_test.shape[0], 1, img_rows, img_cols)  
8.  X_train = X_train.astype('float32')  
9.  X_test = X_test.astype('float32')  
10.  X_train /= 255  
11.  X_test /= 255  
12.    
13.  print(np.min(X_train), np.max(X_train))  
14.  print('X_train shape:', X_train.shape)  
15.  print(X_train.shape[0], 'train samples')  
16.  print(X_test.shape[0], 'test samples')

0.0 1.0