2020-09-08

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

近年来。深度神经网络在图像识别、语音处理以及自然语言处理方面有新的飞跃。生成对抗网络（GAN）已经成已经成为近10年以来，机器学习领域最为重要的思想。GAN是生成模型的一种，主要用于通过分布生成样本。

---

一、GAN的组成

GAN包含两个网络，用于输入随机噪声的生成器（G(z)）和判别真假数据的判别器(D(x))。

二、GAN的实现

选择简单的二层神经网络以及MN I ST 数据集并且使用Tensor Flow 来实现。MN I ST 数据集由28 像素× 28 像素的手写字母灰度图组成。

---

生成器generator ( z ）从随机分布中（本例采用统一分布）接收一个100 维向量为输 入，并产生一个符合MN I ST 规范（ 28 × 28 ）的786 维向量。这里的z 是G(z）的先验。通过 这种方式可以学习到先验空间和Pdata （真实数据分布）空间之间的映射：

#为生成器生成随机噪声

Z = tf . placeholder(tf.fl 。at32, shape=[None, 100], name=’ z I)：
＃生成器参数设置
G Wl = tf.Variable(xavier init([lOO, 128]), name =’ G Wl ’ )
G bl= tf. Va riable(tf.zeros(shape=[128]), name=’ G bl ’)
G W2 = tf.Variable(xavier init([128, 784]) , name =’ G W2 ’)
G_b2 = tf.Variable(tf.zeros(shape=[7 84 ]), name=’ G_b2 ’)
theta G = [G Wl, G W2 , G bl, G b2]
＃生成器网络
def generator(z):
G hl = tf.nn . relu(tf.matmul(z , G Wl) + G bl)
G_log_ prob = tf.matmul(G_hl, G_W2 ) + G b2
G prob= tf.nn . s 工gmo 工d (G log prob)
return G prob

判别器discrirninator ( x ） 以MN I ST 图像作为输入并返回一个代表真实图像概率的标量。

＃为判别器准备的MNIST图像输入设置
X = tf.placeholder(tf.float32 , shape=[None , 784], name= ’ x ’)
＃判别器参数设置
D Wl = tf.Variable(xavier init([784 , 128)) , name = ’ D Wl I )
D_bl = tf.Variable(tf . zeros(shape= [12 8) ), name=’ D_bl I )
D W2 = tf.Variable(xavier 工nit ([1 28 , 1) ), name=’ D W2 ’)
D b2 = tf.Var i able(tf.zeros(shape=[l]) , name= ’ D b2 ’ )
theta D = [D Wl , D W2 , D bl , D b2)
＃判别器网络
def discriminator (x) :
D_hl = tf.nn.relu(tf. matmul(x , D_Wl) + D_bl)
D_logit = tf .matmul(D_hl, D_W2 ) + D_b2
D__prob = tf . nn.sigmoid(D_l ogit)
return D prob, D logit

以随机的噪声开始进行训练， G (Z ）不断向Pdata 趋近。可以通过观察G (Z ）生成的样本和原始MN I ST 图像的区别来证明这件事。

---

总结

GAN 在多个领域都产生了许多让人振奋的结果。GAN ，由Ian Goodfellow 于2014 年在arXiv: 1406.2661 中提出，它是一种两个神经网络相互竞争的特殊对抗过程。第一个网络生成数据，第二个网络试图区分真实数据与第一个网络创造出来的假数据。第二个网络会生成一个在［0 ,1 ］ 范围内的标量，代表数据是真实数据的概率。