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