一百行代碼實現(xiàn)一個GAN模型

GAN:對抗性生成網絡丑瞧,通俗來講,即有兩個網絡一個是g(generator )網絡蜀肘,用于生成嗦篱,一個是d(discriminator)網絡,用于判斷幌缝。
GAN網絡的目的就是使其自己生成一副圖片灸促,比如說經過對一系列貓的圖片的處理,g網絡可以自己“繪制”出一張貓的圖片涵卵,且盡量真實浴栽。
d網絡則是用來進行判斷的,將一張真實的圖片和一張由g網絡生成的照片同時交給d網絡轿偎,不斷訓練d網絡典鸡,使其可以準確判斷,將d網絡生成的“假圖片”找出來坏晦。
再回到兩個網絡上萝玷,g網絡不斷改進使其可以騙過d網絡,而d網絡不斷改進使其可以更準確找到“假圖片”昆婿,這種相互促進相互對抗的關系球碉,就叫做對抗網絡。

我們可以使用tensorflow中的mnist手寫體數(shù)據(jù)來進行實現(xiàn)仓蛆。
實現(xiàn)原理如下:


將一張隨機像素的圖片經過一個全連接層后經過一個Leaky ReLU處理睁冬,之后為了避免過擬合dropout后再經過一個全連接層進行tanh激活后,生成一張“假圖片”

def get_generator(noise_img, n_units, out_dim, reuse=False, alpha=0.01):
    with tf.variable_scope("generator", reuse=reuse):
        hidden1 = tf.layers.dense(noise_img, n_units)  # 全連接層
        hidden1 = tf.maximum(alpha * hidden1, hidden1)
        hidden1 = tf.layers.dropout(hidden1, rate=0.2)
        logits = tf.layers.dense(hidden1, out_dim)
        outputs = tf.tanh(logits)
        return logits, outputs

將待判定的圖片經過全連接層-->Leaky ReLU-->全連接層-->sigmoid激活函數(shù)處理后看疙,得到0或1的結果豆拨。

def get_discriminator(img, n_units, reuse=False, alpha=0.01):
    with tf.variable_scope("discriminator", reuse=reuse):
        hidden1 = tf.layers.dense(img, n_units)
        hidden1 = tf.maximum(alpha * hidden1, hidden1)
        logits = tf.layers.dense(hidden1, 1)
        outputs = tf.sigmoid(logits)
        return logits, outputs

在實現(xiàn)時,我們可以首先把MNIST數(shù)據(jù)中的標簽為0的圖像提取出來能庆,存到列表中施禾。

i = j = 0
while i<5000:
    if mnist.train.labels[j] == 0:
        samples.append(mnist.train.images[j])
        i += 1
    j += 1

這樣就可以在訓練時只訓練標簽為0的圖像。

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import matplotlib.pyplot as plt
import numpy as np

mnist = input_data.read_data_sets("D:/python/MNIST_data/")
img = mnist.train.images[50]


def get_inputs(real_size, noise_size):
    real_img = tf.placeholder(tf.float32, [None, real_size], name="real_img")
    noise_img = tf.placeholder(tf.float32, [None, noise_size], name="noise_img")
    return real_img, noise_img


# 生成
def get_generator(noise_img, n_units, out_dim, reuse=False, alpha=0.01):
    with tf.variable_scope("generator", reuse=reuse):
        hidden1 = tf.layers.dense(noise_img, n_units)  # 全連接層
        hidden1 = tf.maximum(alpha * hidden1, hidden1)
        hidden1 = tf.layers.dropout(hidden1, rate=0.2)
        logits = tf.layers.dense(hidden1, out_dim)
        outputs = tf.tanh(logits)
        return logits, outputs


# 判別
def get_discriminator(img, n_units, reuse=False, alpha=0.01):
    with tf.variable_scope("discriminator", reuse=reuse):
        hidden1 = tf.layers.dense(img, n_units)
        hidden1 = tf.maximum(alpha * hidden1, hidden1)
        logits = tf.layers.dense(hidden1, 1)
        outputs = tf.sigmoid(logits)
        return logits, outputs

img_size = mnist.train.images[0].shape[0]
noise_size = 100
g_units = 128
d_units = 128
alpha = 0.01
learning_rate = 0.001
smooth = 0.1
tf.reset_default_graph()
real_img, noise_img = get_inputs(img_size, noise_size)
g_logits, g_outputs = get_generator(noise_img, g_units, img_size)

d_logits_real, d_outputs_real = get_discriminator(real_img, d_units)
d_logits_fake, d_outputs_fake = get_discriminator(g_outputs, d_units, reuse=True)

d_loss_real = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(
    logits=d_logits_real, labels=tf.ones_like(d_logits_real)
) * (1 - smooth))
d_loss_fake = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(
    logits=d_logits_fake, labels=tf.zeros_like(d_logits_fake)
))
d_loss = tf.add(d_loss_real, d_loss_fake)
g_loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(
    logits=d_logits_fake, labels=tf.ones_like(d_logits_fake)
) * (1 - smooth))

train_vars = tf.trainable_variables()
g_vars = [var for var in train_vars if var.name.startswith("generator")]
d_vars = [var for var in train_vars if var.name.startswith("discriminator")]

d_train_opt = tf.train.AdamOptimizer(learning_rate).minimize(d_loss, var_list=d_vars)
g_train_opt = tf.train.AdamOptimizer(learning_rate).minimize(g_loss, var_list=g_vars)


epochs = 5000
samples = []
n_sample = 10
losses = []

i = j = 0
while i<5000:
    if mnist.train.labels[j] == 0:
        samples.append(mnist.train.images[j])
        i += 1
    j += 1

print(len(samples))
size = samples[0].size

with tf.Session() as sess:
    tf.global_variables_initializer().run()
    for e in range(epochs):
        batch_images = samples[e] * 2 -1
        batch_noise = np.random.uniform(-1, 1, size=noise_size)

        _ = sess.run(d_train_opt, feed_dict={real_img:[batch_images], noise_img:[batch_noise]})
        _ = sess.run(g_train_opt, feed_dict={noise_img:[batch_noise]})

    sample_noise = np.random.uniform(-1, 1, size=noise_size)
    g_logit, g_output = sess.run(get_generator(noise_img, g_units, img_size,
                                         reuse=True), feed_dict={
        noise_img:[sample_noise]
    })
    print(g_logit.size)
    g_output = (g_output+1)/2
    plt.imshow(g_output.reshape([28, 28]), cmap='Greys_r')
    plt.show()

運行結果:


可以看出搁胆,在經過了5000次的迭代后弥搞,g網絡生成的圖片已經可以大致呈現(xiàn)出一個0的形狀邮绿。

?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市拓巧,隨后出現(xiàn)的幾起案子斯碌,更是在濱河造成了極大的恐慌一死,老刑警劉巖肛度,帶你破解...
    沈念sama閱讀 217,406評論 6 503
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異投慈,居然都是意外死亡承耿,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,732評論 3 393
  • 文/潘曉璐 我一進店門伪煤,熙熙樓的掌柜王于貴愁眉苦臉地迎上來加袋,“玉大人,你說我怎么就攤上這事抱既≈吧眨” “怎么了?”我有些...
    開封第一講書人閱讀 163,711評論 0 353
  • 文/不壞的土叔 我叫張陵防泵,是天一觀的道長蚀之。 經常有香客問我,道長捷泞,這世上最難降的妖魔是什么足删? 我笑而不...
    開封第一講書人閱讀 58,380評論 1 293
  • 正文 為了忘掉前任,我火速辦了婚禮锁右,結果婚禮上失受,老公的妹妹穿的比我還像新娘。我一直安慰自己咏瑟,他們只是感情好拂到,可當我...
    茶點故事閱讀 67,432評論 6 392
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著码泞,像睡著了一般谆焊。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上浦夷,一...
    開封第一講書人閱讀 51,301評論 1 301
  • 那天辖试,我揣著相機與錄音,去河邊找鬼劈狐。 笑死罐孝,一個胖子當著我的面吹牛,可吹牛的內容都是我干的肥缔。 我是一名探鬼主播莲兢,決...
    沈念sama閱讀 40,145評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了改艇?” 一聲冷哼從身側響起收班,我...
    開封第一講書人閱讀 39,008評論 0 276
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎谒兄,沒想到半個月后摔桦,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經...
    沈念sama閱讀 45,443評論 1 314
  • 正文 獨居荒郊野嶺守林人離奇死亡承疲,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 37,649評論 3 334
  • 正文 我和宋清朗相戀三年邻耕,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片燕鸽。...
    茶點故事閱讀 39,795評論 1 347
  • 序言:一個原本活蹦亂跳的男人離奇死亡兄世,死狀恐怖,靈堂內的尸體忽然破棺而出啊研,到底是詐尸還是另有隱情御滩,我是刑警寧澤,帶...
    沈念sama閱讀 35,501評論 5 345
  • 正文 年R本政府宣布党远,位于F島的核電站削解,受9級特大地震影響,放射性物質發(fā)生泄漏麸锉。R本人自食惡果不足惜钠绍,卻給世界環(huán)境...
    茶點故事閱讀 41,119評論 3 328
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望花沉。 院中可真熱鬧柳爽,春花似錦、人聲如沸碱屁。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,731評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽娩脾。三九已至赵誓,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間柿赊,已是汗流浹背俩功。 一陣腳步聲響...
    開封第一講書人閱讀 32,865評論 1 269
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留碰声,地道東北人诡蜓。 一個月前我還...
    沈念sama閱讀 47,899評論 2 370
  • 正文 我出身青樓,卻偏偏與公主長得像胰挑,于是被迫代替她去往敵國和親蔓罚。 傳聞我的和親對象是個殘疾皇子椿肩,可洞房花燭夜當晚...
    茶點故事閱讀 44,724評論 2 354

推薦閱讀更多精彩內容