一、生成对抗网络的结构图
GAN分为两部分,包括生成器和判别器,先训练判别器,看做是一个二元分类器,可以判别是生成的图像还是真实图像。当判别器训练到一定阶段,freeze固定住其参数,开始训练生成器。使用生成器生成fake图像,使得判别器可以误认为是real数据(loss很大),训练目标就是让生成器越来越能生成像real的图像。当达到比较好的效果时,再freeze生成器的参数,开始训练判别器,提高判别器的判别能力。以此交替进行,最后模型可以生成很接近real的图像了。
二、GAN_LOSS
例子: 让网络可以生成在x平方 ~ 2*x^2 + 1 之间的数据。
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import numpy as np
torch.manual_seed(1)
np.random.seed(1)
LR_G = 0.0001
LR_D = 0.0001
BATCH_SIZE = 64
N_IDEAS = 5
ART_COMPONETS = 15
# 竖着堆叠 把[-1,1]均匀切割
PAINT_POINTS = np.vstack([np.linspace(-1,1,ART_COMPONETS) for _ in range(BATCH_SIZE)])
# plt.plot(PAINT_POINTS[0], 2 * np.power(PAINT_POINTS[0], 2) + 1, c='#74BCFF', lw=3, label='upper bound') #2 * x^2 + 1
# plt.plot(PAINT_POINTS[0], 1 * np.power(PAINT_POINTS[0], 2) + 0, c='#FF9359', lw=3, label='lower bound') # x^2
# plt.legend(loc='upper right') #标签位置
# plt.show()
# 获取一个batch的标准区间数据
def artist_work