从一个小白的角度理解GAN网络
共 4180字,需浏览 9分钟
·
2020-08-13 09:37
来自 | CSDN博客 作者 | JensLee
本文仅作学术交流,如有侵权,请联系后台删除
def generator_model():
model = Sequential()
model.add(Dense(input_dim=1000, output_dim=1024))
model.add(Activation('tanh'))
model.add(Dense(128 * 8 * 8))
model.add(BatchNormalization())
model.add(Activation('tanh'))
model.add(Reshape((8, 8, 128), input_shape=(8 * 8 * 128,)))
model.add(UpSampling2D(size=(4, 4)))
model.add(Conv2D(64, (5, 5), padding='same'))
model.add(Activation('tanh'))
model.add(UpSampling2D(size=(2, 2)))
model.add(Conv2D(3, (5, 5), padding='same'))
model.add(Activation('tanh'))
return model
def discriminator_model():
model = Sequential()
model.add(Conv2D(64, (5, 5), padding='same', input_shape=(64, 64, 3)))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(128, (5, 5)))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(1024))
model.add(Activation('tanh'))
model.add(Dense(1))
model.add(Activation('sigmoid'))
return model
# 随机生成的1000维的噪声
noise = np.random.uniform(-1, 1, size=(BATCH_SIZE, 1000))
# X_train是训练的图片数据,这里取出一个batchsize的图片用于训练,这个是真图(64张)
image_batch = X_train[index * BATCH_SIZE:(index + 1) * BATCH_SIZE]
# 这里是经过生成器生成的假图
generated_images = generator_model.predict(noise, verbose=0)
# 将真图与假图进行拼接
X = np.concatenate((image_batch, generated_images))
# 与X对应的标签,前64张图为真,标签是1,后64张图是假图,标签为0
y = [1] * BATCH_SIZE + [0] * BATCH_SIZE
# 把真图与假图的拼接训练数据1送入判别器进行训练判别器的准确度
d_loss = discriminator_model.train_on_batch(X, y)
def generator_containing_discriminator(g, d):
model = Sequential()
model.add(g)
# 判别器参数不进行修改
d.trainable = False
model.add(d)
return model
# 训练一个batchsize里面的数据
for index in range(int(X_train.shape[0]/BATCH_SIZE)):
# 产生随机噪声
noise = np.random.uniform(-1, 1, size=(BATCH_SIZE, 1000))
# 这里面都是真图片
image_batch = X_train[index*BATCH_SIZE:(index+1)*BATCH_SIZE]
# 这里产生假图片
generated_images = g.predict(noise, verbose=0)
# 将真图片与假图片拼接在一起
X = np.concatenate((image_batch, generated_images))
# 前64张图片标签为1,即真图,后64张照片为假图
y = [1] * BATCH_SIZE + [0] * BATCH_SIZE
# 对于判别器进行训练,不断提高判别器的识别精度
d_loss = d.train_on_batch(X, y)
# 再次产生随机噪声
noise = np.random.uniform(-1, 1, (BATCH_SIZE, 1000))
# 设置判别器的参数不可调整
d.trainable = False
# ××××××××××××××××××××××××××××××××××××××××××××××××××××××××××
# 在此我们送入噪声,并认为这些噪声是真实的标签
g_loss = generator_containing_discriminator.train_on_batch(noise, [1] * BATCH_SIZE)
# ××××××××××××××××××××××××××××××××××××××××××××××××××××××××××
# 此时设置判别器可以被训练,参数可以被修改
d.trainable = True
# 打印损失值
print("batch %d d_loss : %s, g_loss : %f" % (index, d_loss, g_loss))
g_loss = generator_containing_discriminator.train_on_batch(noise, [1] * BATCH_SIZE)
—完—