1.2.深度卷积生成对抗网络（DCGAN)

最新推荐文章于 2024-07-23 19:42:48 发布

大肥肥肉肉

最新推荐文章于 2024-07-23 19:42:48 发布

阅读量1.6k

点赞数 2

文章标签： tensorflow 人工智能生成对抗网络

本文链接：https://blog.csdn.net/fdgdg1/article/details/121399808

版权

本文介绍了如何使用卷积神经网络构建深度卷积生成对抗网络（DCGAN），并应用于MNIST数据集。在生成器中，通过转置卷积将向量转换为图像，批归一化提升训练稳定性。鉴别器同样采用卷积结构，整个模型的训练过程与标准GAN相似。最终，展示并运行了训练得到的DCGAN模型。

摘要由CSDN通过智能技术生成

第一节是只用了一个隐藏层，这节生成器和鉴定器都将使用卷积神经网络，看看会不会产生不一样的结果。

1.导入训练和训练模型所需的所有包，模块以及库。

%matplotlib inline

import matplotlib.pyplot as plt
import numpy as np

from keras.datasets import mnist
from keras.layers import Activation, BatchNormalization, Dense, Dropout, Flatten, Reshape
from keras.layers.advanced_activations import LeakyReLU
from keras.layers.convolutional import Conv2D, Conv2DTranspose
from keras.models import Sequential
from keras.optimizer_v2 import adam as Adam

此节也是使用的mnist数据集，可以直接从keras.datasets中导入mnist数据集。

2.模型维度的输入

img_rows = 28
img_cols = 28
channels = 1

# 输入图像的维度
img_shape = (img_rows, img_cols, channels)

# 噪声向量Z的长度
z_dim = 100

3.构造生成器

def build_generator(z_dim):

    model = Sequential()

    # 通过全连接层将输入重新调整大小7*7*256的张量
    model.add(Dense(256 * 7 * 7, input_dim=z_dim))
    model.add(Reshape((7, 7, 256)))

    # 通过转置卷积层将7*7*256的张量转换为14*14*128的张量
    model.add(Conv2DTranspose(128, kernel_size=3, strides=2, padding='same'))

    # 批归一化
    model.add(BatchNormalization())

    # Leaky ReLU 激活函数
    model.add(LeakyReLU(alpha=0.01))

    # 通过转置卷积层将14*14*128的张量转换为14*14*64的张量
    model.add(Conv2DTranspose(64, kernel_size=3, strides=1, padding='