人工智能概论第七次作业

GAN (Generative Adversarial Nets 生成对抗网络)

一、代码

import torch

import torch.nn as nn

import numpy as np

import matplotlib.pyplot as plt

import os

os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"

# torch.manual_seed(1) # reproducible

# np.random.seed(1)

 

# 超参数

BATCH_SIZE = 64

LR_G = 0.0001 # 生成器的学习率

LR_D = 0.0001 # 判别器的学习率

N_IDEAS = 5 #生成器的启发因子（就是生成器这个神经网络的初始输入层的节点数）

 

ART_COMPONENTS = 15 # 它可能是G可以在画布上绘制的总点

 

PAINT_POINTS = np.vstack([np.linspace(-1, 1, ART_COMPONENTS) for _ in range(BATCH_SIZE)])

# 展示我们美丽的绘画系列

# plt.plot(PAINT_POINTS[0], 2 * np.power(PAINT_POINTS[0], 2) + 1, c='#74BCFF', lw=3, label='upper bound')

# plt.plot(PAINT_POINTS[0], 1 * np.power(PAINT_POINTS[0], 2) + 0, c='#FF9359', lw=3, label='lower bound')

# plt.legend(loc='upper right')

# plt.show()

def artist_works(): # 著名艺术家的画作（真实目标）

    a = np.random.uniform(1, 2, size=BATCH_SIZE)[:, np.newaxis]

   paintings = a * np.power(PAINT_POINTS, 2) + (a - 1)

    paintings = torch.from_numpy(paintings).float()

    return paintings

G = nn.Sequential( # 生成器（新手画家）

    nn.Linear(N_IDEAS, 128), # 随机想法（可能来自正态分布)

    nn.ReLU(),

    nn.Linear(128, ART_COMPONENTS), # 用这些随意的想法创作一幅画)

D = nn.Sequential( #判别器（新手鉴赏家）

    nn.Linear(ART_COMPONENTS, 128), # 接受著名艺术家或像g这样的新手的艺术作品

    nn.ReLU(),

    nn.Linear(128, 1),

    nn.Sigmoid(), # 说出艺术作品由艺术家创作的可能性)

 

opt_D = torch.optim.Adam(D.parameters(), lr=LR_D)

 

opt_G = torch.optim.Adam(G.parameters(), lr=LR_G)

 

plt.ion() # 关于连续绘图的一些内容

 

for step in range(10000):

 

    artist_paintings = artist_works() # 艺术家的真实画作

 

    G_ideas = torch.randn(BATCH_SIZE, N_IDEAS, requires_grad=True) # 随意想法\n

 

    G_paintings = G(G_ideas) # g的假画（随机想法)

 

    prob_artist1 = D(G_paintings) # D try to reduce this prob

 

    G_loss = torch.mean(torch.log(1. - prob_artist1))

 

    opt_G.zero_grad()

 

    G_loss.backward()

 

    opt_G.step()

 

    prob_artist0 = D(artist_paintings) # D try to increase this prob

 

    prob_artist1 = D(G_paintings.detach()) # D try to reduce this prob

 

    D_loss = - torch.mean(torch.log(prob_artist0) + torch.log(1. - prob_artist1))

    opt_D.zero_grad()

    D_loss.backward(retain_graph=True) # 重用计算图

    opt_D.step()

    if step % 50 == 0: # 绘制

        plt.cla()

        plt.plot(PAINT_POINTS[0], G_paintings.data.numpy()[0], c='#4AD631', lw=3, label='Generated painting', )

 

        plt.plot(PAINT_POINTS[0], 2 * np.power(PAINT_POINTS[0], 2) + 1, c='#74BCFF', lw=3, label='upper bound')

 

        plt.plot(PAINT_POINTS[0], 1 * np.power(PAINT_POINTS[0], 2) + 0, c='#FF9359', lw=3, label='lower bound')

 

        plt.text(-.5, 2.3, 'D accuracy=%.2f (0.5 for D to converge)' % prob_artist0.data.numpy().mean(),fontdict={'size': 13})

        plt.text(-.5, 2, 'D score= %.2f (-1.38 for G to converge)' % -D_loss.data.numpy(), fontdict={'size': 13})

        plt.ylim((0, 3));

        plt.legend(loc='upper right', fontsize=10);

        plt.draw();

        plt.pause(0.01)

plt.ioff()

plt.show()

二、运行结果

       绿线的变化是新手画家慢慢学习如何踏上画家之路的过程。而能被认定为著名的画作在 upper bound 和 lower bound 之间（蓝线和橙线之间）。

（1）变化过程中：

（2）停止1

 （3）停止2

 （4）停止3

 

 最后达到收敛时, G 能成功的根据自己的灵感, 产生出一条很像 artist 画出的曲线,如停止后1，2，3图 。此时，D 再也没有能力猜出这到底是 G 的画作还是 artist 的画作, 他只能一半时间猜是 G 的, 一半时间猜是 artist的。