手写数字识别--日月光华的gan小例子

来自课程GAN生成对抗网络精讲 tensorflow2.0代码实战 全网最简洁易懂的GAN课程
的代码

tensorflow版本为2.0
升级版本看https://blog.csdn.net/qq_43620967/article/details/108835207

jupyter 文件
链接：https://pan.baidu.com/s/1PR4phiKAEoK4sAAmTWR18A
提取码：z9od

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import glob
import os

tf.__version__

Out[104]: ‘2.3.1’

输入

(train_images,train_labels),(_,_)=tf.keras.datasets.mnist.load_data()

train_images.shape

Out[106]: (60000, 28, 28)

60000张图，都是28*28 像素

train_images.dtype

Out[107]: dtype(‘uint8’)

数据预处理

train_images=train_images.reshape(train_images.shape[0],28,28,1).astype('float32')

train_images.shape

Out[109]: (60000, 28, 28, 1)

train_images=(train_images-127.5)/127.5#归一化 到【-1，1】

BATCH_SIZE=256
BUFFER_SIZE=600000

datasets=tf.data.Dataset.from_tensor_slices(train_images)

datasets=datasets.shuffle(BUFFER_SIZE).batch(BATCH_SIZE)

datasets

Out[114]: <BatchDataset shapes: (None, 28, 28, 1), types: tf.float32>

第一维度表示个数

生成器模型

def generator_model():
    model=tf.keras.Sequential()
    model.add(layers.Dense(256,input_shape=(100,),use_bias=False))
    #Dense全连接层，input_shape=(100,)长度100的随机向量，use_bias=False，因为后面有BN层
    model.add(layers.BatchNormalization())
    model.add(layers.LeakyReLU())#激活
    
    #第二层
    model.add(layers.Dense(512,use_bias=False))
    model.add(layers.BatchNormalization())
    model.add(layers.LeakyReLU())#激活
    
    #输出层
    model.add(layers.Dense(28*28*1,use_bias=False,activation='tanh'))
    model.add(layers.BatchNormalization())
    
    model.add(layers.Reshape((28,28,1)))#变成图片 要以元组形式传入
    
    return model

​

辨别器模型

def discriminator_model():#输入图片
    model=keras.Sequential()
    model.add(layers.Flatten())#把输入的三维图片扁平化
    
    model.add(layers.Dense(512,use_bias=False))    
    model.add(layers.BatchNormalization())
    model.add(layers.LeakyReLU())#激活    
    
    model.add(layers.Dense(256,use_bias=False))    
    model.add(layers.BatchNormalization())
    model.add(layers.LeakyReLU())#激活      
    
    model.add(layers.Dense(1))#输出数字，>0.5真实图片
    return model

loss函数

cross_entropy=tf.keras.losses.BinaryCrossentropy(from_logits=True)#from_logits=True因为最后的输出没有激活

判别器损失函数

def discriminator_loss(real_out,fake_out):#辨别器的输出 真实图片判1，假的图片判0
    real_loss=cross_entropy(tf.ones_like(real_out),real_out)
    fake_loss=cross_entropy(tf.zeros_like(fake_out),fake_out)
    return real_loss+fake_loss 

生成器损失函数

def generator_loss(fake_out):#希望fakeimage的判别输出fake_out判别为真
    return cross_entropy(tf.ones_like(fake_out),fake_out)

优化器

generator_opt=tf.keras.optimizers.Adam(1e-4)#学习速率
discriminator_opt=tf.keras.optimizers.Adam(1e-4)

EPOCHS=100
noise_dim=100 #长度为100的随机向量生成手写数据集
​
num_exp_to_generate=16 #每步生成16个样本
​
seed=tf.random.normal([num_exp_to_generate,noise_dim]) #生成随机向量观察变化情况

训练

generator=generator_model()

discriminator=discriminator_model()

定义批次训练函数

def train_step(images):
    noise=tf.random.normal([BATCH_SIZE,noise_dim]) #生成随机数
    
    with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tape: #记录训练过程
        real_out = discriminator(images,training=True)
        gen_image = generator(noise,training=True)
        fake_out=discriminator(gen_image,training=True)
        
        gen_loss = generator_loss(fake_out)
        disc_loss = discriminator_loss(real_out,fake_out)
        
    #训练过程
    gradient_gen = gen_tape.gradient(gen_loss,generator.trainable_variables) #生成器与生成器可训练参数的梯度
    gradient_disc = disc_tape.gradient(disc_loss,discriminator.trainable_variables) 
    generator_opt.apply_gradients(zip(gradient_gen,generator.trainable_variables))
    discriminator_opt.apply_gradients(zip(gradient_disc,discriminator.trainable_variables))

可视化

def generator_plot_image(gen_model,test_noise): #观察训练出的图象
    pre_images = gen_model(test_noise,training=False)
    fig = plt.figure(figsize=(4,4))
    for i in range(pre_images.shape[0]):
        plt.subplot(4,4,i+1) #从1开始排
        plt.imshow((pre_images[i,:,:,0]+1)/2,cmap='gray') #归一化，灰色度
        plt.axis('off') #不显示坐标轴
    plt.show()

训练

def train(dataset,epochs):
    for epoch in range(epochs):
        for image_batch in dataset:
            train_step(image_batch)
            #print('.',end='')
        print('第'+str(epoch+1)+'次训练结果')
        generator_plot_image(generator,seed)

train(datasets,EPOCHS)

结果

第1次训练结果

第100次训练结果