该篇文章与上篇文章内容相差不多,但是主要的网络结构不同,上篇文章采用的是GAN网络结构,而这篇文章采用的是DCGAN网络结构。两者的差异在于以下几点:
(1)使用卷积和去卷积代替池化层。
(2)在生成器和判别器中都添加了批量归一化操作。
(3)去掉了全连接层,使用全局池化层替代。
(4)生成器的输出层使用Tanh 激活函数,其他层使用RELU。
(5)判别器的所有层都是用LeakyReLU 激活函数。
其中最本质的一点就是使用了卷积和去卷积。
1.导入库
import numpy as np
import glob,imageio,os,PIL
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras import layers
2.数据准备
归一化-打乱-batch
(train_images,train_labels),(_,_) = tf.keras.datasets.mnist.load_data()
train_images = train_images.reshape(train_images.shape[0],28,28,1).astype('float32')
train_images = (train_images - 127.5) / 127.5#归一化到[-1,1]之间
batch_size = 256
buffer_size = 60000
datasets = tf.data.Dataset.from_tensor_slices(train_images).shuffle(buffer_size).batch(batch_size)
3.生成器与判别器的构建
生成器的构建中,采用了tf.keras.layers.Conv2DTranspose,也就是去卷积,它的目的是将经过池化层以后缩小的矩阵扩大到一定的大小,比如说从3 * 3 扩大到 5 * 5,如下图所示:
def Generator_model():
model = tf.keras.Sequential([
tf.keras.layers.Dense(7*7*256,use_bias=False,input_shape=(100,)),#输入一个长度为100的随机向量,
tf.keras.layers.BatchNormalization(),
tf.keras.layers.LeakyReLU(),
tf.keras.layers.Reshape((7,7,256)),#调整为形状为(7,7,256)。
tf.keras.layers.Conv2DTranspose(128,(5,5),strides=(1,1),padding="same",use_bias=False),
tf.keras.layers.BatchNormalization(),
tf.keras.layers.LeakyReLU(),
tf.keras.layers.Conv2DTranspose(64,(5,5),strides=(2,2),padding="same",use_bias=False),
tf.keras