生成对抗网络(七)----------SGAN

最新推荐文章于 2024-02-02 22:32:03 发布

勤奋的小学生

最新推荐文章于 2024-02-02 22:32:03 发布

阅读量1.1w

点赞数 6

分类专栏：生成对抗网络文章标签：半监督式GAN SGAN

本文链接：https://blog.csdn.net/gyt15663668337/article/details/90664841

版权

生成对抗网络专栏收录该内容

9 篇文章 18 订阅

订阅专栏

一、SGAN介绍

SGAN来源于这篇论文：《Semi-Supervised Learning with Generative Adversarial Networks》

传统的机器学习分为监督式学习和无监督式学习。前者的数据是有标签的，后者的数据是无标签的。然而，在很多问题中，有标签的数据是非常少的，要想获得有标签的数据，需要人工标注等一些操作。而无标签的数据则比较容易获得。半监督学习就是要结合监督式和无监督式，利用少量标签数据与大量无标签数据进行训练，然后，实现对未标签数据进行分类。

在生成对抗网络中，真实数据可以被看做有标签数据集，生成器随机产生的数据则可以被看做是无标签数据集。在DCGAN中，使用生成模型特征提取后的判别器已经可以实现分类的效果。首先，由判别器D学习到的特征可以提升分类器C的效果。那么一个好的分类器也可以优化判别器的最终效果。而C和D是无法同时训练的。然后C和D是可以相互促进提升的。而提升了判别器的能力。生成器G的效果也会随之变得更好，三者会在一个交替过程中趋向一个理想的平衡点。

因次，提出了一个半监督式GAN，称之为SGAN。希望能够同时训练生成器与半监督式分类器，最终实现一个更优的半监督式分类器，以及一个成像更高的生成模型。在传统的二分类模式基础上，SGAN变成了多分类，类型数量为N+1。分别指代N个标签和一个“假”数据。在实际过程中，判别器和分类器是一体的，记作D/C。共同与生成器G形成一个博弈关系。目标函数为负向最大似然估计（NLL）。下面为伪代码：

输入：I：总迭代次数

for n = 1, ... , I do

从生成器前置随机分布 $P_{g}(z)$ 取出m个随机样本

从真实数据分布 $p_{data}(x)$ 取出m个真实样本

最小化NLL，更新D/C的参数

从生成器前置随机分布 $P_{g}(z)$ 取出m个随机样本

最大化NLL，更新G的参数

end for

相比较于cGAN，SGAN的生成是随机的。而且判别器的输出是一个分类器和判别器的结合。结构图如下：

二、代码实现

1. 导包

rom __future__ import print_function, division

from keras.datasets import mnist
from keras.layers import Input, Dense, Reshape, Flatten, Dropout
from keras.layers import BatchNormalization, Activation, ZeroPadding2D
from keras.layers.advanced_activations import LeakyReLU
from keras.layers.convolutional import UpSampling2D, Conv2D
from keras.models import Sequential, Model
from keras.optimizers import Adam
from keras.utils import to_categorical

import matplotlib.pyplot as plt
import numpy as np

2. 初始化

class SGAN():
    def __init__(self):
        self.img_rows = 28
        self.img_cols = 28
        self.channels = 1
        self.img_shape = (self.img_cols, self.img_rows, self.channels)
        self.num_classes = 10
        self.latent_dim = 100

        optimizer = Adam(0.0002, 0.5)

        # 构建判别器并编译
        self.discriminator = self.build_discriminator()
        self.discriminator.compile(loss=['binary_crossentropy', 'categorical_crossentropy'],
                                   loss_weights=[0.5, 0.5],
                                   optimizer=optimizer,
                                   metrics=['accuracy'])

        # 构建生成器
        self.generator = self.build_generator()

        noise = Input(shape=(100,))
        img = self.generator(noise)

        # 固定判别器
        self.discriminator.trainable = False

        # 生成器生成图像的判别结果
        valid, _ = self.discriminator(img)

        # 编译模型, 生成器和判别器的堆叠
        self.combined = Model(noise, valid)
        self.combined.compile(loss=['binary_crossentropy'],
                              optimizer=optimizer)

3. 构建生成器

    def build_generator(self):

        model = Sequential()

        model.add(Dense(128 * 7 * 7, activation='relu', input_dim=self.latent_dim))
        model.add(Reshape((7, 7, 128)))
        model.add(BatchNormalization(momentum=0.8))
        model.add(UpSampling2D())
        model.add(Conv2D(128, kernel_size=3, padding='same'))
        model.add(Activation('relu'))
        model.add(BatchNormalization(momentum=0.8))
        model.add(UpSampling2D())
        model.add(Conv2D(64, kernel_size=3, padding='same'))
        model.add(Activation('relu'))
        model.add(BatchNormalization(momentum=0.8))
        model.add(Conv2D(1, kernel_size=3, padding='same'))
        model.add(Activation('tanh'))

        model.summary()

        noise = Input(shape=(self.latent_dim,))
        img = model(noise)

        return Model(noise, img)

4. 构建判别器

    def build_discriminator(self):

        model = Sequential()

        model.add(Conv2D(32, kernel_size=3, strides=2, input_shape=self.img_shape, padding='same'))
        model.add(LeakyReLU(alpha=0.2))
        model.add(Dropout(0.25))
        model.add(Conv2D(64, kernel_size=3, strides=2, padding='same'))
        model.add(ZeroPadding2D(padding=((0, 1), (0, 1))))
        model.add(LeakyReLU(alpha=0.2))
        model.add(Dropout(0.25))
        model.add(BatchNormalization(momentum=0.8))
        model.add(Conv2D(128, kernel_size=3, strides=2, padding='same'))
        model.add(LeakyReLU(alpha=0.2))
        model.add(Dropout(0.25))
        model.add(BatchNormalization(momentum=0.8))
        model.add(Conv2D(256, kernel_size=3, strides=1, padding='same'))
        model.add(LeakyReLU(alpha=0.2))
        model.add(Dropout(0.25))
        model.add(Flatten())

        model.summary()

        img = Input(shape=self.img_shape)

        features = model(img)  # 经判别器提取的特征
        valid = Dense(1, activation='sigmoid')(features)  # 分类器输出结果
        label = Dense(self.num_classes + 1, activation='softmax')(features)  # 判别器结果

        return Model(img, [valid, label])

5. 训练模型

    def train(self, epochs, batch_size=128, sample_interval=50):
        # 加载数据
        (X_train, y_train), (_, _) = mnist.load_data()

        half_batch = batch_size / 2

        # 归一化到-1~~1
        X_train = (X_train.astype(np.float32) - 127.5) / 127.5
        X_train = np.expand_dims(X_train, axis=3)
        y_train = y_train.reshape(-1, 1)

        # 分类权重
        cw1 = {0: 1, 1: 1}
        cw2 = {i: self.num_classes / half_batch for i in range(self.num_classes)}
        cw2[self.num_classes] = 1 / half_batch

        # 真实值
        valid = np.ones((batch_size, 1))
        fake = np.zeros((batch_size, 1))

        for epoch in range(epochs):

            '''训练判别器'''
            # 选择图像批度
            idx = np.random.randint(0, X_train.shape[0], batch_size)
            imgs = X_train[idx]

            # 噪声样本，生成新图像
            noise = np.random.normal(0, 1, (batch_size, self.latent_dim))
            gen_imgs = self.generator.predict(noise)

            # 标签的one-hot变量
            labels = to_categorical(y_train[idx], num_classes=self.num_classes + 1)
            fake_labels = to_categorical(np.full((batch_size, 1), self.num_classes), num_classes=self.num_classes + 1)

            # 训练判别器
            d_loss_real = self.discriminator.train_on_batch(imgs, [valid, labels], class_weight=[cw1, cw2])
            d_loss_fake = self.discriminator.train_on_batch(gen_imgs, [fake, fake_labels], class_weight=[cw1, cw2])
            d_loss = 0.5 * np.add(d_loss_real, d_loss_fake)

            '''训练生成器'''
            g_loss = self.combined.train_on_batch(noise, valid, class_weight=[cw1, cw2])

            print("%d [D loss: %f, acc: %.2f%%, op_acc: %.2f%%] [G loss: %f]" % (epoch, d_loss[0], 100 * d_loss[3], 100 * d_loss[4], g_loss))

            if epoch % sample_interval == 0:
                self.sample_images(epoch)

6. 显示图像

    def sample_images(self, epoch):
        r, c = 5, 5
        noise = np.random.normal(0, 1, (r * c, self.latent_dim))
        gen_imgs = self.generator.predict(noise)

        gen_imgs = 0.5 * gen_imgs + 1

        fig, axs = plt.subplots(r, c)
        cnt = 0
        for i in range(r):
            for j in range(c):
                axs[i, j].imshow(gen_imgs[cnt, :, :, 0], cmap='gray')
                axs[i, j].axis('off')
                cnt += 1
        fig.savefig("images/mnist_%d.png" % epoch)
        plt.close()

7. 运行代码

if __name__ == '__main__':
    sgan = SGAN()
    sgan.train(epochs=20000, batch_size=32, sample_interval=50)

结果：

勤奋的小学生

关注

6
点赞
踩
53

收藏

觉得还不错? 一键收藏
2
评论
生成对抗网络(七)----------SGAN

一、SGAN介绍SGAN来源于这篇论文：《Semi-Supervised Learning with Generative Adversarial Networks》传统的机器学习分为监督式学习和无监督式学习。前者的数据是有标签的，后者的数据是无标签的。然而，在很多问题中，有标签的数据是非常少的，要想获得有标签的数据，需要人工标注等一些操作。而无标签的数据则比较容易获得。半监督学习就是要结...
复制链接

扫一扫

专栏目录