CGAN minist上的简单实现

最新推荐文章于 2024-09-11 15:11:33 发布

Evanxxxnnn

最新推荐文章于 2024-09-11 15:11:33 发布

阅读量2.6k

点赞数 5

文章标签： GAN CGAN

本文链接：https://blog.csdn.net/Evanxxxnnn/article/details/82979967

版权

本文介绍了使用PyTorch 0.4简单实现CGAN的过程，解决了原始GAN模型样本多样性和质量的问题。经过调整，CGAN在第8个epoch时生成的样本既丰富又高质量。提供了训练和主程序的代码片段，尽管代码有些混乱，但能运行并展示CGAN的强大效果。

摘要由CSDN通过智能技术生成

CGAN的超简单实现，基于pytorch 0.4。

刚开始搭建了一个原始GAN网络，没多久就遇到模型崩溃的问题，生成的样本丰富性很少，所以索性直接改成CGAN ，整个原理还是很简单的，改起来很快，主要是参数调整真的让人头大。

GAN 训练了35个epoch的效果，几乎只生成3和5的样本。

#CGAN训练效果，第8个epoch , 可以看到生成样本丰富性很高，而且质量很不错。
在这里插入图片描述

代码
代码有点点乱，将就能用就行~
#CGANnets

import torch
import  torch.nn as nn
import torch.functional as F


#变成CGAN 在fc层嵌入 one-ho编码

class discriminator(nn.Module):
    def __init__(self):
        super(discriminator,self).__init__()

        self.conv1 = nn.Sequential(
            nn.Conv2d(1,32,5),
            nn.LeakyReLU(0.2,True),
            nn.MaxPool2d(2,stride = 2),
        )
        self.conv2 = nn.Sequential(
            nn.Conv2d(32, 64, 5,padding=2),
            nn.LeakyReLU(0.2, True),
            nn.MaxPool2d(2, stride=2),
        )

        self.fc = nn.Sequential(
            nn.Linear(64*6*6+10,1024),
            nn.LeakyReLU(0.2,True),
            nn.Linear(1024,1),
            nn.Sigmoid()
        )

    def forward(self, x,labels):
        x = self.conv1(x)
        x = self.conv2(x)
        x = x.view(x.size(0),-1)
        x = torch.cat((x,labels),1)

        x = self.fc(x)
        return x

class generator(nn.Module):
    def __init__(self, input_size, num_feature):
        super(generator, self).__init__()
        self.fc = nn.Linear(input_size+10, num_feature)  # batch, 3136=1x56x56
        self.br = nn.Sequential(
            nn.BatchNorm2d(1),
            nn.ReLU(True)
        )

        self.downsample1 = nn.Sequential(
            nn.Conv2d(1,50,3,stride=1,padding=1),
            nn.BatchNorm2d(50),
            nn.ReLU(True)
        )

        self.downsample2 =  nn.Sequential(
            nn.Conv2d(50,25,3,stride=1,padding=1),
            nn.BatchNorm2d(25),
            nn.ReLU(True)
        )

        self.downsample3 = nn.Sequential(
            nn.Conv2d(25,1,2,stride = 2),
            nn.Tanh()
        )

    def forward(self,z,labels):
        '''

        :param x: (batchsize,100）的随机噪声
        :param label:  (batchsize,10) 的one-hot 标签编码
        :return:
        '''
        x = torch.cat((z,labels),1) #沿1维拼接
        x = self.fc(x)

        x = x.view(x.size(0),1,56,56)
        x = self.br(x)
        x = self.downsample1(x)
        x = self.downsample2(x)
        x = self.downsample3(x)

        return  x

##train.py