GAN通过Keras生成mnist

最新推荐文章于 2022-05-07 16:47:32 发布

小昱同学

最新推荐文章于 2022-05-07 16:47:32 发布

阅读量781

点赞数 1

文章标签：神经网络

小昱同学

本文链接：https://blog.csdn.net/qq_42692819/article/details/107773588

版权

GAN介绍

生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。GAN网络中最少有两个模块，分别是生成模型和判别模型。而GAN就是让这两个模块相互对抗。举个简单的例子：小明是一个画家，专门画假画的那种，小白是个鉴别师，需要鉴别出假的画作。小明的目的就是能够画出小白无法鉴别出真假的画作，而小白就要保证能够检验出假货。最开始可能小明的技术拙劣，小白一下就看出来了，但是小明在一次又一次的绘画中不断的学习，到某个时间小白发现无法鉴别出画作的真伪，于是小白也跑去学习，那么在这个不断学习，不断鉴别的过程中，小白和小明最终都达到一个动态平衡的时刻，那么这时候，小明的画作已经不能被小白鉴别出来。这就是生成式对抗网络。
那么，我们通过构建一个生成式对抗网络来尝试生成一下mnist数据集叭~~

Generator

# 构建生成模型
def build_generator(self):
	model = Sequential()
	model.add(Dense(256, input_dim=self.latent_dim))
	model.add(LeakyReLU(alpha=0.2))
	model.add(BatchNormalization(momentum=0.8))
	model.add(Dense(512))
	model.add(LeakyReLU(alpha=0.2))
	model.add(BatchNormalization(momentum=0.8))
	model.add(Dense(1024))
	model.add(LeakyReLU(alpha=0.2))
	model.add(BatchNormalization(momentum=0.8))
	model.add(Dense(np.prod(self.img_shape), activation='tanh'))
	model.add(Reshape(self.img_shape))
	model.summary()
	noise = Input(shape=(self.latent_dim,))
	img = model(noise)
	return Model(noise, img)

可以看出，这里生成器模块通过一个简单的神经网络，将输入的100维的数据最后输出成28281的图片。首先我们用的是LeakyReLU而不是RelU，是因为ReLU在当输入值为负的时候，输出始终为0，其一阶导数也始终为0，这样会导致神经元不能更新参数，也就是神经元不学习了，这种现象叫做“Dead Neuron”。而为了尽量避免这种情况出现，我们使用了LeakyReLU，该函数输出对负值输入有很小的坡度。由于导数总是不为零，这能减少静默神经元的出现，允许基于梯度的学习（虽然会很慢），解决了Relu函数进入负区间后，导致神经元不学习的问题。

Adversarial

def build_discriminator(self):
	model = Sequential()
	model.add(Flatten(input_shape=self.img_shape))
	model.add(Dense(512))
	model.add(LeakyReLU(alpha=0.2))
	model.add(Dense(256))
	model.add(LeakyReLU(alpha=0.2))
	model.add(Dense(1, activation='sigmoid'))
	model.summary()
	img = Input(shape=self.img_shape)
	validity = model(img)
	return Model(img, validity)