深度学习实战（六）：生成式对抗网络（Gan）下篇 —— 代码--基于tensorflow实现

最新推荐文章于 2024-09-09 11:23:32 发布

InitialHeart2021

最新推荐文章于 2024-09-09 11:23:32 发布

阅读量228

点赞数

分类专栏：三【深度学习实战】基于tensorflow 文章标签： tensorflow 深度学习机器学习

本文链接：https://blog.csdn.net/ITCLSJ/article/details/114384201

版权

本文介绍如何使用TensorFlow实现生成式对抗网络（GAN）。内容包括D（判别）网络和G（生成）网络的结构定义，以及训练过程。在训练过程中，展示了从随机初始化数据到迭代1200次后的数据分布变化。

摘要由CSDN通过智能技术生成

一、程序代码

【步骤】

定义对抗生成网络结构：
D（判别）网络：识别G生成的假数据
G（生成）网络：
输入格式、初始化：
训练：
传入2组数据：真实数据x：高斯分布
随机初始化z

# 【一】导入必要的包
import argparse  # 参数解析包：解析命令行参数和选项
import numpy as np  # 科学计算的库，可以提供矩阵运算
from scipy.stats import norm  # scipy数值计算库
import tensorflow as tf
import matplotlib.pyplot as plt  # matplotlib绘图库
import seaborn as sns  # 数据模块可视化
from matplotlib import animation

sns.set(color_codes=True)  # set() 设置主题，调色板更常用
seed = 42  # 设置seed，用于随机初始化 ，使得每次生成的随机数相同

np.random.seed(seed)
tf.set_random_seed(seed)

# 【二】定义真实的数据分布（高斯分布）
class DataDistribution(object):
    def __init__(self):
        # 均值
        self.mu = 4
        # 标准差
        self.sigma = 0.5

    def sample(self, N):
        samples = np.random.normal(self.mu, self.sigma, N)
        samples.sort()
        return samples

# 【三】随机初始化一个分布，作为G网络的输入
class GeneratorDistribution(object):
    def __init__(self, range):
        self.range = range

    def sample(self, N):
        return np.linspace(-self.range, self.range, N) + np.random.random(N) * 0.01

# 【四】定义线性运算函数，其中参数output_dim = h_dim * 2 = 8
def linear(input, output_dim, scope=None, stddev=1.0):
    # 定义一个随机初始化
    norm = tf.random_normal_initializer(stddev = stddev)
    # b初始化为0
    const = tf.constant_initializer(0.0)
    with tf.variable_scope(scope or 'linear'):
        # 声明 w 的shape，输入为（12,1）* w，故 w 为（1,8），w 的初始化方式为高斯初始化
        w = tf.get_variable('w', [input.get_shape()[1], output_dim], initializer=norm)
        # b 初始化为常量
        b = tf.get_variable('b', [output_dim], initializer=const)
        # 执行线性运算
        return tf.matmul(input, w) + b

def generator(input, h_dim):
    h0 = tf.nn.softplus(linear(input, h_dim, 'g0'))
    h1 = linear(h0, 1, 'g1')
    return h1

# 【五】初始化w 和 b 的函数，其中h0，h1，h2，h3 为层，将mlp_hidden_size = 4 传给 h_dim
def discriminator(input, h_dim):
    # 第一层：linear 控制w和b的初始化，这里linear函数的第二个参数为 4*2=8
    h0 = tf