昇思25天学习打卡营第16天|GAN图像生成

课程打卡凭证

GAN模型

GAN（Generative Adversarial Networks），即生成对抗网络，是一种生成式机器学习模型，通常用于生成与真实数据分布相似的新数据。它由一个生成器（Generator）和一个判别器（Discriminator）组成：生成器接受一个随机噪声向量作为输入，并输出一个与真实数据分布相似的数据样本。判别器接受数据样本（既包括生成器生成的样本，也包括真实数据样本），并输出一个概率值，表示输入样本来自真实数据的概率。

GAN 的训练是一个交替优化的过程，其中生成器通过欺骗判别器，即生成尽可能逼真的数据样本，使判别器认为这些样本是真实的；而判别器则通过正确区分真实数据和生成的数据，最大化对抗生成器的能力。具体过程如下图所示，其中，蓝色虚线表示判别器，黑色虚线表示真实数据分布，绿色实线表示生成器生成的虚假数据分布，随着模型的迭代，判别器波动趋于0，生成器生成的虚假数据分布无限接近于真实数据分布。

训练过程

数据加载与处理

本实验采用MNIST手写数字数据集，目的是训练一个GAN模型，来模拟生产手写数字的图片。

加载MNIST数据集，并定义数据增强和批处理操作。

可视化数据集，这里用到了matplotlib库中的pyplot模块。

生成一批用于测试的噪声向量（隐码），每个向量的长度为100，并将其打乱，它可以评估生成器的好坏。

模型构建

构建生成器

导入必要的库和模块，设置训练图像的size。

定义生成器模型，并实例化生成器网络net_g。

构建判别器

定义判别器模型，并实例化判别器网络net_d。

定义损失函数和优化器

这里使用了Adam优化器来优化生成器和判别器的参数，构建两个优化器，分别对应两个生成器。损失函数则用常见的交叉熵损失函数。

模型训练

导入必要的库和模块，加载预训练模型参数，创建保存路径。

训练过程代码如图所示。

训练结果如图上所示。

生成器和判别器损失与迭代训练的关系如图所示。

将整个训练过程中生成的图像转成动图，结果如下图所示。

模型推理