实验四:生成对抗网络
- 简介
生成式对抗网络是Goodfellow等人于2014年提出,它可替代VAE来学习图像的潜在空间。它能够迫使生成图像和真实图像在统计上几乎无法区分,从而生成相当逼真的合成图像。
GAN由两个部分组成:
生成器网络:它以一个随机向量(潜在空间中的一个随机点)作为输入,并将其解码为一张合成图像。
判别器网络:以一张图像作为输入,并预测该图像是来自训练集还是由生成器网络创建。
GAN的一般结构如上图所示,使用MNIST图像作为数据。潜在样本是生成器用来构造假图像的随机向量。随着生成器通过训练学习,它会找出如何将这些随机向量映射到可识别鉴别器的可识别图像。
引入相关库文件
- 判别器网络
- 加载mnist数据集