生成对抗网络（Generative adversarial network——GAN）

文章目录

[1. 前言](#1. 前言)
- [1.1 判别器和生成器的作用？](#1.1 判别器和生成器的作用？)
- [2.2 个人总结](#2.2 个人总结)
[2. 核心代码示例](#2. 核心代码示例)
- [2.1 训练判别器网络](#2.1 训练判别器网络)
- [2.2 训练生成器网络](#2.2 训练生成器网络)
参考文章

1. 前言

生成对抗网络的原文：Generative Adversarial Nets，该论文的精读视频：生成对抗网络GAN开山之作论文精读，该论文解析相关的视频：生成对抗网络GAN原理解析。下面是自己对生成对抗网络的理解。

1.1 判别器和生成器的作用？

生成器（Generator）

（1）作用：生成器的主要任务是生成看起来"真实"的数据（假数据）。它从一个随机噪声向量（通常是高斯分布或均匀分布的随机数）作为输入，经过一系列变换后输出与目标数据分布相似的数据样本。

（2）工作机制：接收随机噪声 z 作为输入；将 z 映射到目标数据空间（例如图像、音频等），生成伪造数据 G(z)；目标是让生成的数据尽可能"欺骗"判别器，使其无法区分生成的数据和真实数据。

判别器（Discriminator）

（1）作用：判别器是一个二分类器，用于判断输入数据是来自真实数据分布还是生成器生成的伪造数据。

（2）工作机制：接收真实数据 x 和生成数据 G(z) 作为输入；输出一个概率值（" 例如0表示"假"，1表示"真" "），表示输入数据是真实数据的可能性；目标是尽可能准确地分辨出真实数据和伪造数据。

两者之间的关系

（1）对抗过程：生成器和判别器在训练过程中不断博弈。生成器试图生成更逼真的数据以欺骗判别器，而判别器则努力提高自己的辨别能力 。

（2）动态平衡：理想情况下，经过充分训练后，生成器能够生成几乎无法区分于真实数据的样本，而判别器对所有输入的判断概率接近 0.5（即无法分辨真假）。

真假数据的输入流程

2.2 个人总结

（1）对于生成器 G ：随机噪声数据 z 通过生成器 G 得到 G(z) ，我们希望 G(z) 经过判别器 D 输出的概率 D[G(z)] 越大越好（预测概率 D[G(z)] ------> 1）。

（2）对于判别器 D ：真实数据 x 通过判别器 D 输出概率 D(x) ，我们希望概率 D(x) 越大越好（预测概率 D(x) ------> 1）；对于虚假数据 G(z) ，我们希望 G(z) 经过判别器 D 输出的概率 D[G(z)] 越小越好（预测概率 D[G(z)] ------> 0）。

2. 核心代码示例

python 复制代码

class Discriminator(nn.Module):
	# 判别器网络
	...

class Generator(nn.Module):
	# 生成器网络
	...

# 创建生成器，判别器对象
generator = Generator()
discriminator = Discriminator()

# 定义生成器，判别器对象相应的优化器
optimizer_G = torch.optim.Adam(generator.parameters(), lr=opt.lr, betas=(opt.b1, opt.b2))
optimizer_D = torch.optim.Adam(discriminator.parameters(), lr=opt.lr, betas=(opt.b1, opt.b2))

# 定义二分类的交叉熵损失
criterion = torch.nn.BCELoss()

2.1 训练判别器网络

定义真实数据的label为1，虚假数据的label为0

python 复制代码

real_label = Variable(torch.ones(imgs.size(0), 1)).cuda()  ## 定义真实的图片label为1
fake_label = Variable(torch.zeros(imgs.size(0), 1)).cuda()  ## 定义假的图片的label为0

计算真实数据的损失

python 复制代码

real_out = discriminator(real_img)  ## 将真实图片放入判别器中, 输出的值越接近1越好
loss_real_D = criterion(real_out, real_label)  ## 得到真实图片的loss

计算虚假数据的损失

python 复制代码

z = Variable(torch.randn(imgs.size(0), opt.latent_dim)).cuda()  ## 随机生成一些噪声, 大小为(128, 100)
fake_img = generator(z).detach()  ## 随机噪声放入生成网络中，生成一张假的图片。
fake_out = discriminator(fake_img)  ## 判别器判断假的图片, 输出的值越接近0越好
loss_fake_D = criterion(fake_out, fake_label)  ## 得到假的图片的loss

利用损失函数优化判别器网络

python 复制代码

loss_D = loss_real_D + loss_fake_D  ## 损失包括判真损失和判假损失
optimizer_D.zero_grad()  ## 在反向传播之前，先将梯度归0
loss_D.backward()  ## 将误差反向传播
optimizer_D.step()  ## 更新参数

2.2 训练生成器网络

定义虚假数据的label为1

python 复制代码

real_label = Variable(torch.ones(imgs.size(0), 1)).cuda()

计算生成器网络的损失

python 复制代码

z = Variable(torch.randn(imgs.size(0), opt.latent_dim)).cuda()  ## 得到随机噪声
fake_img = generator(z)  ## 随机噪声输入到生成器中，得到一副假的图片
output = discriminator(fake_img)  ## 经过判别器得到的结果
loss_G = criterion(output, real_label)  ## 得到的假的图片与真实的图片的label的loss

利用损失函数优化生成器网络

python 复制代码

optimizer_G.zero_grad()  ## 梯度归0
loss_G.backward()  ## 进行反向传播
optimizer_G.step()  ## step()一般用在反向传播后面,用于更新生成网络的参数

参考文章

生成对抗网络（GAN）
生成对抗网络------GAN原理与代码
 GAN（生成对抗网络）的系统全面介绍（醍醐灌顶）
Pytorch生成对抗网络（GAN）官方入门教程