参考资料:
https://blog.csdn.net/leviopku/article/details/81292192
https://blog.csdn.net/gubenpeiyuan/article/details/80957610
https://blog.csdn.net/leviopku/article/details/81292192
论文地址:https://arxiv.org/abs/1406.2661
背景介绍
生成对抗网络(GANs)是一种能“教会”计算机胜任人类工作的有趣方法。一个好的对手能让你成长更快,而GANs背后就是“从竞争中学习”的思路。GANs最先是由蒙特利尔大学的Ian Goodfellow提出,已在图像生成和风格迁移等领域获得了巨大的成功,充分展示了“无监督学习”技术的潜力。
1. 基本思想
生成对抗网络(Generative Adversarial Networks)主要由生成器 (generator) 和判别器 (discriminator) 组成。它的原理也比较清晰,generator 负责输入随机噪声z,输出一个图片 G(z) ,而真实样本x,判别器 D 则用尽全力希望把真实样本和虚假样本区分开来。而 G 则希望产生的 G(z) 以假乱真,欺骗判别器,让其判断不出来。从而有了这么一种对抗的关系。
● G是一个生成式的网络,它接收一个随机的噪声z(随机数),通过这个噪声生成图像
● D是一个判别网络,判别一张图片是不是“真实的”。它的输入参数是x,x代表一张图片,输出D(x)代表x为真实图片的概率,如果为1,就代表100%是真实的图片,而输出为0,就代表不可能是真实的图片
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np
import os
import matplotlib.gridspec as gridspec
import matplotlib.pyplot as plt
img_height = 28
img_width = 28
img_size = img_height*img_width
batch_size = 128
h1_size = 128
h2_size = 256
max_epoch = 1000000
z_size = 100 # 噪声维度
keep_prob = 0.5
save_path = './gan_output/'
z = tf.placeholder(tf.float32,shape=[None,z_size])
x = tf.placeholder(tf.float32,shape=[None,img_size])
def xavier_init(shape):
'''初始化方法,来源一篇论文,保证每一层都有一致的方差'''
in_dim = shape[0]
stddev = 1./tf.sqrt(in_dim/2.)
return tf.random_normal(shape=shape,stddev=stddev)
def get_z(shape):
'''生成随机噪声,作为G的输入'''
return np.random.uniform(-1.,1.,size=shape).astype(np.float32)
def generator(z_prior):
'''生成器,两层感知机,L1用ReLU,Out用sigmoid'''
# L1
w1 = tf.Variable(xavier_init([z_size,h1_size]))
b1 = tf.Variable(tf.zeros([h1_size]),dtype=tf.float32)
h1 = tf.nn.relu(tf.matmul(z_prior,w1)+b1)
# Out
w2= tf.Variable(xavier_init([h1_size,img_size]))
b2 = tf.Variable(tf.zeros([img_size]),dtype=tf.float32)
x_generated = tf.nn.sigmoid(tf.matmul(h1,w2)+b2)
# 待训练参数要一并返回
params = [w1,b1,w2,b2]
return x_generated, params
def discriminator(x,x_generated,keep_prob):
'''
判别器,两层感知机,L1用ReLU,Out用sigmoid
注意判别器用同样的w和b去计算原始样本x和G的生成样本
'''
# L1
w1 = tf.Variable(xavier_init([img_size,h1_size]))
b1 = tf.Variable(tf.zeros([h1_size]),dtype=tf.float32)
h1_x = tf.nn.dropout(tf.nn.relu(tf.matmul(x,w1)+b1),keep_prob) # 不加dropout迭代到一定次数会挂掉
h1_x_generated = tf.nn.dropout(tf.nn.relu(tf.matmul(x_generated,w1)+b1),keep_prob)
# Out
w2 = tf.Variable(xavier_init([h1_size,1]))
b2 = tf.Variable(tf.zeros([1]),dtype=tf.float32)
d_prob_x = tf.nn.sigmoid(tf.matmul(h1_x,w2)+b2)
d_prob_x_generated = tf.nn.sigmoid(tf.matmul(h1_x_generated,w2)+b2)
params = [w1,b1,w2,b2]
return d_prob_x,d_prob_x_generated,params
def save(samples, index):
'''只是用来把图片保存到本地,和训练无关'''
fig = plt.figure(figsize=(4,4))
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(img_width,img_height),cmap='Greys_r')
plt.savefig(save_path+'{}.png'.format(str(index).zfill(3)))
plt.close(fig)
x_generated,g_params = generator(z) # 生产伪造样本
d_prob_real,d_prob_fake,d_params = discriminator(x,x_generated,keep_prob) # 把伪造样本和生成的一并传入计算各自概率
# 这两个是论文里面的那个很长的公式
d_loss = -tf.reduce_mean(tf.log(d_prob_real+1e-30) + tf.log(1.-d_prob_fake+1e-30)) # 不加这个1e-30会出现log(0)
g_loss = -tf.reduce_mean(tf.log(d_prob_fake+1e-30)) # tf有内置的sigmoid_cross_entropy_with_logits可以解决这个问题,但我没用上
g_solver = tf.train.AdamOptimizer(0.001).minimize(g_loss,var_list=g_params)
d_solver = tf.train.AdamOptimizer(0.001).minimize(d_loss,var_list=d_params)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
mnist = input_data.read_data_sets('./MNIST_data', one_hot=True) # 加载数据集
if not os.path.exists(save_path):
os.makedirs(save_path)
for i in range(max_epoch):
if i % 1000 == 0: # 这个只是用来保存图片,和训练没什么关系
samples = sess.run(x_generated, feed_dict = {z:get_z([16,z_size])})
index = int(i/1000)
save(samples, index)
# *主要的训练步骤*
x_mb,_ = mnist.train.next_batch(batch_size)
_,d_loss_ = sess.run([d_solver,d_loss],feed_dict={x:x_mb,z:get_z([batch_size,z_size])})
_,g_loss_ = sess.run([g_solver,g_loss],feed_dict={z:get_z([batch_size,z_size])})
if i % 1000 == 0:
print('iter: %d, d_loss: %.3f, g_loss: %.3f\n' % (i,d_loss_,g_loss_))