理解GAN对抗神经网络的损失函数和训练过程

小林书店副编集

于 2020-05-20 20:31:31 发布

阅读量5.9k

点赞数 7

分类专栏： TensorFlow/Keras 文章标签：神经网络深度学习 tensorflow 机器学习 gan

本文链接：https://blog.csdn.net/songbaiyao/article/details/106243739

版权

本文通过代码实例深入解析GAN（生成对抗网络）的损失函数和训练过程。训练分为两阶段：第一阶段训练鉴别器，使真伪图片分类更准确；第二阶段训练生成器，目标是生成更真实的假图片。在这个过程中，鉴别器和生成器相互博弈，最终达成平衡，实现高质量图像生成。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

GAN最不好理解的就是Loss函数的定义和训练过程，这里用一段代码来辅助理解，就能明白到底是怎么回事。其实GAN的损失函数并没有特殊之处，就是常用的binary_crossentropy，关键在于训练过程中存在两个神经网络和两个损失函数。

np.random.seed(42)
tf.random.set_seed(42)

codings_size = 30

generator = keras.models.Sequential([
    keras.layers.Dense(100, activation="selu", input_shape=[codings_size]),
    keras.layers.Dense(150, activation="selu"),
    keras.layers.Dense(28 * 28, activation="sigmoid"),
    keras.layers.Reshape([28, 28])
])
discriminator = keras.models.Sequential([
    keras.layers.Flatten(input_shape=[28, 28]),
    keras.layers.Dense(

最低0.47元/天解锁文章