概念
无监督学习,用于生成、风格迁移、超分辨率(监控、卫星、核磁共振、X 光)、图像补全、图像增强、换脸……
小明想去看电影,但是不想买票,于是他凭想象花了一张假票,门卫拦住了他。
小明又回去画了一张假票,门卫还是看出来了。
小明接着画票,门卫也越来越警惕……
(小明的造假能力 和 门卫的识别能力 同时在增强)
小明终于拿着自己画的票看上了电影。
生成器:小明。(画票)
判别器:门卫。(检查票的真伪)
先训练判别网络,让判别器可以识别真实图片和伪造图片。
再训练生成网络,使生成的图片靠近真实图片。
重复交替训练……
实验(生成手写数字)
数据集:MNIST。
网络结构:
- 判别器:全连接 + 激活(LeakyReLU)+ Sigmoid。
- 生成器:全连接 + 激活(LeakyReLU)。
优化器:Adam(lr=0.0002, betas=(0.5, 0.999))。
损失函数:二进制交叉熵(BCELoss)。
输出:
- 判别网络:图片为真的概率。
- 生成网络:图片。
网络
import torch
from torch import nn
# 判别器
class D_Net(nn.Module):
def __init__(self):
super().__init__()
self.mlp = nn.Sequential(
nn.Linear(784, 512), nn.LeakyReLU(),
nn.Linear(512, 256), nn.LeakyReLU(),
nn.Linear(256, 1), nn.Sigmoid()
)
def forward(self, x):
return self.mlp(x)
# 生成器
class G_Net(nn.Module):
def __init__(self):
super().__init__()
self.mlp = nn.Sequential(
nn.Linear(128, 256), nn.LeakyReLU(),
nn.Linear(256, 512), nn.LeakyReLU