tensorflow之学习GAN生成对抗网络

前言

一、GAN原理

GAN主要包括两部分，生成器generator和判别器discriminator。

• 生成器：用于学习真实图像分布进而让自身生成的图像更加真实，得以骗过判别器。
• 判别器：对接受的图片进行真假判别。

我们可以看到，右侧蓝色框出的区域，其实就是CNN神经网络，通过卷积全连接对图片进行判别，是图片or不是图片。
我们再看左侧，下方绿色区域是个生成器，生成器制造假的样本，或者说制造接近于真实的样本。随机向量使用多个反卷积层生成一张图像，然后将图像输入给判别器，同时这个判别器也接收真实样本的输入。

判别器对于真实样本的输入，输出为1，制造出的假样本输出为0。
然后对这个网络进行训练，真实为1，假的为0，训练目标为让生成器生出来的图片越来越接近于1，接近于真实分布，使其骗过生成器。

最后的结果为生成的图像越来越接近于真实的图像，而判别器越来越精确，最后对于真假样本，稳定于概率为0.5。

在训练过程中，生成器努力使生成图像更加真实，而判别器努力识别出图像真假，这个过程相当于一个二人博弈，随着时间推移，生成器和判别器不断进行对抗。
最终两个网络达到一个动态均衡：生成器生成的图像接近于真实图像分布，而判别器识别不出真假图像，对于给定图像的预测为真的概率基本接近0.5。

二、应用领域

• 图像生成
• 图像增强
• 风格化
• 艺术图像创造

开始代码学习

1.导入相关库及整理数据集

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import glob
import os

tf.__version__

'2.5.0'

(train_images, train_labels),(_, _) = tf.keras.datasets.mnist.load_data() # _表示占位符

train_images.shape

60000, 28, 28)

train_images.dtype

dtype('uint8')

train_images = train_images.reshape(train_images.shape[0], 28, 28, 1).astype('float32') # 使其变为四维
# 归一化处理，使其在（-1， 1）之间
train_images = (train_images - 127.5) / 127.5
# 一些参数
BATCH_SIZE = 256
BUFFER_SIZE = 60000
# 创建数据集
datasets = tf.data.Dataset.from_tensor_slices(train_images)
# 全部范围乱序取出BATCH_SIZE数据
datasets = datasets.shuffle(BUFFER_SIZE).batch