人工智能深度学习之对抗生成网络实战(cyclegan，stargan,gan）

一。介绍

cyclegan:例马变成斑马,地图合成

stargan:例人脸合成，变声器

gan:例图像超分率重构与补全

二。对抗生成网络架构原理与实战解析

(1)对抗生成网络通俗解释

1)对抗生成网络：主要是“生成”，即由手上数据生成你想要的效果。

2)超分辨率重构：低分辨率图像经计算机学习，损失函数生成高分辨率图像。例公安人员要求对犯人生成高分辨率图像。

(2)生成器(G)------>判别器(D),生成器最终目的是骗过判别器(预测生成的图片与真实的图片很像);判别器技术也要不断升级，目的是识别出生成出来的东西。例如造假币的技术越来越好，生成出假币出来;然后银行就是判别器(有真币)，结合真假两类进行分类，对这些真,假币能判断出来;最后还有一个损失函数的定义。生成器与判别器就是矛盾关系，相互对抗。

(2)损失函数解释说明

损失函数: loss(o,t)=-1/n *(y)，其中y=t[i]*log(o[i])+(1-t[i])*log(1-o[i]), y是指以i为变量求总和后的值，t是指概率值(例如标签值)。例如 输入的是三行三列的矩阵，有些值不是0到1范围之间的，故先对这些数据进行一个sigmoid()操作把全部数据搞成0到1之间;标签值也是由三行三列的矩阵构成(0和1构成);然后结合这两种值调用损失函数计算出损失函数值。例如:先求出第一行中的三个损失函数值，r11=y=0*math.log(0.8707)+(1-0)*math.log((1-0.8707));

r12=y=1*math.log(0.7517)+(1-1)*math.log((1-0.7517));

r13=y=1*math.log(0.8162)+(1-1)*math.log((1-0.8162));

r1=loss(o,t)=-1/n *(y)=(-1/3)*(r11+r12+r13);

这里假设输入的第一行的三个值分别是0.8707，0.7517，0.8162;而t[i]分别是0，1，1，也是标签值中的一行三列中的值。同理其它第二行，第三行的损失函数值也是这样求出来即可(例如r2,r3),

最后求出损失函数值是bceloss=（r1+r2+r3）/3; print(bceloss);

上面步骤是说怎样计算损失函数的值。上面的计算损失函数值的步骤其实在torch中已经封装好from torch import nn;

loss=nn.BCEWithLogitsLoss();print(loss(输入的矩阵值,标签的矩阵值));

（3）数据读取模块