tensorflow1.1/GAN生成对抗网络

最新推荐文章于 2023-11-09 17:16:31 发布

szj_jojo

最新推荐文章于 2023-11-09 17:16:31 发布

阅读量2.2k

点赞数

分类专栏：深度学习机器学习文章标签： tensorflow GAN 深度学习 mnist

本文链接：https://blog.csdn.net/szj_huhu/article/details/75004763

版权

本文介绍了在TensorFlow1.1环境下，利用生成对抗网络（GAN）进行深度学习模型训练的过程。GAN包括生成器G和判别器D，G尝试生成逼真的图片以欺骗D，而D则努力区分真实图片与G生成的图片。随着训练迭代，生成的图片质量逐渐提升，接近真实图片。

摘要由CSDN通过智能技术生成

环境：tensorflow1.1，python3, matplotlib2.02

生成式对抗网络（GAN）是近年来大热的深度学习模型，以生成图片为例进行说明。假设我们有两个网络，G（Generator）和D（Discriminator）G是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)。D是一个判别网络，判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D（x）代表x为真实图片的概率，如果为1，就代表100%是真实的图片，而输出为0，就代表不可能是真实的图片。
在训练过程中，生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样，G和D构成了一个动态的“博弈过程”。
在最理想的状态下，G可以生成足以“以假乱真”的图片G(z)。对于D来说，它难以判定G生成的图片究竟是不是真实的，因此D(G(z)) = 0.5
这里写图片描述

#coding:utf-8
"""
python 3 
tensorflow 1.1
"""
import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import input_data

mnist = input_data.read_data_sets('mnist/',one_hot=True)
total_epoch = 100
batch_size = 100
learning_rate = 0.0002
n_hidden = 256
n_input = 28*28
n_noise = 128

#Descriminator网络输入图片形状
x = tf.placeholder(tf.float