好像还挺好玩的生成式对抗网络生成一维数据(DCGAN)

最新推荐文章于 2024-04-22 09:49:13 发布

小小程序猿666

最新推荐文章于 2024-04-22 09:49:13 发布

阅读量4.6k

点赞数 5

分类专栏： GAN 文章标签：深度学习

本文链接：https://blog.csdn.net/qq_40727767/article/details/105903077

版权

本文探讨了使用生成式对抗网络（DCGAN）生成一维数据的方法。通过深度学习技术，DCGAN能够创建逼真的数据样本，这对于数据增强、模型训练等方面具有重要意义。文章详细介绍了DCGAN的架构、训练过程及其在生成一维数据上的应用。

摘要由CSDN通过智能技术生成

from __future__ import print_function, division
import os

os.environ["CUDA_VISIBLE_DEVICES"] = "-1"
# from keras.datasets import mnist
from keras.layers import Input, Dense, Reshape, Flatten, Dropout
from keras.layers import BatchNormalization, Activation, ZeroPadding2D, GlobalAveragePooling2D
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
import pandas as pd
import matplotlib.pyplot as plt
import sys
import numpy as np
import csv


class GAN():
    def __init__(self):
        self.data_rows = 20
        self.data_cols = 20
        self.channels = 1
        self.data_shape = (self.data_rows, self.data_cols, self.channels)
        self.latent_dim = 100
        self.sample_size = 200
        optimizer = Adam(0.0002, 0.5)
        # 构建和编译判别器
        self.discriminator = self.build_discriminator()
        self.discriminator.compile(loss='binary_crossentropy',
                                   optimizer=optimizer,
                                   metrics=['accuracy'])

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

        # 生成器输入噪音，生成假的图片
        z = Input(shape=(self.latent_dim,))
        data = self.generator(z)  # 生成器生成的图片

        # 为了组合模型，只训练生成器,不训练判别器
        self.discriminator.trainable = False

        # 判别器将生成的图像作为输入并确定有效性
        validity = self.discriminator(data)  # 这个是判别器判断生成器生成图片的结果

        # The combined model  (stacked generator and discriminator)
        # 训练生成器骗过判别器
        self.combined = Model(z, validity)
        self.combined.compile(loss='binary_crossentropy', optimizer=optimizer)

    def build_generator(self):
        model = Sequential()
        # 先全连接到32*7*7的维度上
        model.add(Dense(128 * 5 * 5, activation="relu", input_dim=self.latent_dim)