GAN生成对抗网络

GAN的基本原理

GAN（生成对抗网络）

目标是想让生成的假数据Pz都分布跟真实数据Pdata的分布一致
做法是用判别器D判断真数据是真是假也要判断假数据是真是假
但判别式D如果本身就分不出真假也不行【欢喜冤家嘛，D判别不出来好坏，说明G生成得好，以假乱真；G生成完了让D检查，能把真的识别成真，把假的识别成假，说明D判别得好】
训练GAN时并不是同时训练D和G，而是在固定一个网络的同时训练另一种
判断用的公式里用到了真数据集及其判断为真的概率和生成的假数据集及其判断为真的概率【由于假数据判断为真是不希望发生的，所以用1-来取补集，这样就能以希望整条公式的输出值最高为评判标准】【最大值是逼近0，判别效果变差会迅速往负数下降】
由于数据集在评判阶段不会改变，所以视为常数，故对公式里的概率D(x)求导，得出判别式需要调节的x来使概率D(x)最大的条件下使整个公式达到判断正确的最大值。
在确定了最优的判别式D之后，再把D看作常数，找能使公式达成最小值【让判断错误率比较高】的生成函数G

#深度解析# GAN（生成对抗神经网络）
GAN公式简明原理

GAN的系列

GAN令人头疼之处主要在于训练不稳定、收敛困难、难以精准控制生成内容，因此各种各样的网络结构、损失函数、加入条件监督信息技巧和各种约束手段被提出。
在19年对GAN的综述
 历史最全GAN网络及其各种变体整理（附论文及代码实现）

tf.keras搭建gan网络大致步骤

把输入的图像数据的格式转换为tensorflow提供的tfrecords的格式。
把tfrecords格式的源数据做成数据集。
搭建生成器
搭建判别器
开始交错进行训练
保存网络

输入数据

如果有现成的数据集，读入就好了

python 复制代码

#读取mnist数据库
(train_images, train_labels), (_, _) = keras.datasets.mnist.load_data()
train_images = train_images.reshape(train_images.shape[0], 28, 28, 1).astype('float32')
train_images = (train_images-127.5)/127.5 #这是归一化？

BATCH_SIZE = 256
BUFFER_SIZE = 60000
#建立数据集
datasets = tf.data.Dataset.from_tensor_slices(train_images)#为什么不用(train_images, train_labels)
datasets = datasets.shuffle(BUFFER_SIZE).batch(BATCH_SIZE)

如果要自己做数据集就比较麻烦了

python 复制代码

# 设置标签
objects = ['cat','dog']#'cat'0,'dog'1
# 读取文件
filename_train="./data/train.tfrecords"
writer_train= tf.python_io.TFRecordWriter(filename_train)

tf.app.flags.DEFINE_string(
    'data', 'None', 'where the datas?.')
FLAGS = tf.app.flags.FLAGS

if(FLAGS.data == None):
    os._exit(0)
# FLAGS读取成功了
dim = (224,224)
object_path = FLAGS.data
total = os.listdir(object_path)
for index in total:
    img_path=os.path.join(object_path,index)# 文件路径+图片编号，真方便啊，我在qt就得自己搞字符串相加
    img=Image.open(img_path)
    img=img.resize(dim)
    img_raw=img.tobytes()# to bytes格式
    for i in range(len(objects)):
        if objects[i] in index:
            value = i
        else:
            continue
    example = tf.train.Example(features=tf.train.Features(feature={
                'label': tf.train.Feature(int64_list=tf.train.Int64List(value=[value])),
                'img_raw': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw]))
                }))
    print([index,value])
    writer_train.write(example.SerializeToString())  #序列化为字符串
writer_train.close()

搭建生成器和判别器

【keras.models.Sequential()是TF的写法，keras.Sequential()是TF2的写法

总之就是往Sequential里填层，随便填，毁灭吧。

tensorflow.keras搭建gan神经网络

默认情况下GradientTape的资源在调用gradient函数后就被释放，再次调用就无法计算了。所以如果需要多次计算梯度，需要开启persistent=True属性

python 复制代码

x = tf.constant(3.0)
with tf.GradientTape(persistent=True) as g:
  g.watch(x)
  y = x * x
  z = y * y
dz_dx = g.gradient(z, x)  # z = y^2 = x^4, z' = 4*x^3 = 4*3^3
dy_dx = g.gradient(y, x)  # y' = 2*x = 2*3 = 6
del g  # 手动删除

tf.GradientTape详解：梯度求解利器

Tensorflow2.0实现对抗生成网络（GAN）

GAN生成对抗网络

GAN的基本原理

GAN的系列

VQGAN

WGAN

GAN在Tensorflow2.0里的实现

输入数据

搭建生成器和判别器