GAN学习手册（一）对训练normal distribution的解读

最新推荐文章于 2023-08-21 23:21:34 发布

LYX0721

最新推荐文章于 2023-08-21 23:21:34 发布

阅读量589

点赞数

文章标签：机器学习

本文链接：https://blog.csdn.net/YUxuaN0721/article/details/106922585

版权

本文详细解读了训练GAN以生成正态分布的过程，包括generator和discriminator的角色，以及代码实现的关键点。讨论了节点数量和层数变化对模型效果的影响，并提供了不同配置的实验结果。

摘要由CSDN通过智能技术生成

GAN学习手册（一）对训练normal distribution的解读

原文章及代码：
https://towardsdatascience.com/training-a-gan-to-sample-from-the-normal-distribution-4095a11e78de

在这边文章中，我们的generator和discriminator的目标不同。
generator：把随机数训练成正态分布。
discriminator：在含有一半真实数据和一半generator的结果数据的数据集中作区分。
下面我们拆分每个部分的代码做一个详细的解读。

def uniform_to_normal(z):
    '''
    Map a value from ~U(-1, 1) to ~N(0, 1)
    '''
    norm = stats.norm(0, 1)
    return norm.ppf((z+1)/2)

在这里，norm是表示均值是0,方差是1的正态分布，return的是F(x)=(z+1)/2时的x值。

def generate_noise(samples, dimensions=2):
    '''
    Generate a matrix of random noise in [-1, 1] with shape (samples, dimensions) 
    '''
    return np.random.uniform(-1, 1, (samples, dimensions))

这里我们return了大小为sample*2在间隔[-1，1]的随机数。

知识点⚠️：shape(高维>2，行数，列)，当数组中存在2组2张3行4列的表时，数据就是4维，shape返回(2,2,3,4)。
更多关于维度细节

def build_generator(LATENT_DIM, output_dim):
    '''
    Build a generator mapping (R, R) to ([-1,1], [-1,1])
    '''
    input_layer = layers.Input((LATENT_DIM,))
    X = input_layer
    for i in range