5分钟入门GANS：原理解释和keras代码实现 _GANS

介绍生成对抗网络通常也称为GANs，用于生成图像而不需要很少或没有输入。GANs允许我们生成由神经网络生成的图像。在我们深入讨论这个理论之前，我想向您展示GANs构建您兴奋感的能力。把马变成斑马(反之亦然) 。

文章插图

文章插图

历史生成式对抗网络(GANs)是由Ian Goodfellow (GANs的GAN Father)等人于2014年在其题为"生成式对抗网络"的论文中提出的。它是一种可替代的自适应变分编码器(VAEs)学习图像的潜在空间，以生成合成图像。它的目的是创造逼真的人工图像，几乎无法与真实的图像区分。
GAN的直观解释生成器和鉴别器网络:
生成器网络的目的是将随机图像初始化并解码成一个合成图像。
鉴别器网络的目的是获取这个输入，并预测这个图像是来自真实的数据集还是合成的。
正如我们刚才看到的，这实际上就是GANs，两个相互竞争的对抗网络。
GAN的训练过程GANS的训练是出了名的困难。在CNN中，我们使用梯度下降来改变权重以减少损失。
然而，在GANs中，每一次重量的变化都会改变整个动态系统的平衡。
在GAN的网络中，我们不是在寻求将损失最小化，而是在我们对立的两个网络之间找到一种平衡。
我们将过程总结如下
1. 输入随机生成的噪声图像到我们的生成器网络中生成样本图像。
1. 我们从真实数据中提取一些样本图像，并将其与一些生成的图像混合在一起。
1. 将这些混合图像输入到我们的鉴别器中，鉴别器将对这个混合集进行训练并相应地更新它的权重。
1. 然后我们制作更多的假图像，并将它们输入到鉴别器中，但是我们将它们标记为真实的。这样做是为了训练生成器。我们在这个阶段冻结了鉴别器的权值(鉴别器学习停止)，并且我们使用来自鉴别器的反馈来更新生成器的权值。这就是我们如何教我们的生成器(制作更好的合成图像)和鉴别器更好地识别赝品的方法。
流程图如下

文章插图

对于本文，我们将使用MNIST数据集生成手写数字。GAN的架构是:

文章插图

使用KERAS实现GANS首先，我们加载所有必要的库

import osos.environ["KERAS_BACKEND"] = "tensorflow"import numpy as npfrom tqdm import tqdmimport matplotlib.pyplot as pltfrom keras.layers import Inputfrom keras.models import Model, Sequentialfrom keras.layers.core import Reshape, Dense, Dropout, Flattenfrom keras.layers.advanced_activations import LeakyReLUfrom keras.layers.convolutional import Convolution2D, UpSampling2Dfrom keras.layers.normalization import BatchNormalizationfrom keras.datasets import mnistfrom keras.optimizers import Adamfrom keras import backend as Kfrom keras import initializersK.set_image_dim_ordering('th')# Deterministic output.# Tired of seeing the same results every time? Remove the line below.np.random.seed(1000)# The results are a little better when the dimensionality of the random vector is only 10.# The dimensionality has been left at 100 for consistency with other GAN implementations.randomDim = 100

现在我们加载数据集。这里使用MNIST数据集，所以不需要单独下载和处理。

(X_train, y_train), (X_test, y_test) = mnist.load_data()X_train = (X_train.astype(np.float32) - 127.5)/127.5X_train = X_train.reshape(60000, 784)

接下来，我们定义生成器和鉴别器的结构

# Optimizeradam = Adam(lr=0.0002, beta_1=0.5)#generatorgenerator = Sequential()generator.add(Dense(256, input_dim=randomDim, kernel_initializer=initializers.RandomNormal(stddev=0.02)))generator.add(LeakyReLU(0.2))generator.add(Dense(512))generator.add(LeakyReLU(0.2))generator.add(Dense(1024))generator.add(LeakyReLU(0.2))generator.add(Dense(784, activation='tanh'))generator.compile(loss='binary_crossentropy', optimizer=adam)#discriminatordiscriminator = Sequential()discriminator.add(Dense(1024, input_dim=784, kernel_initializer=initializers.RandomNormal(stddev=0.02)))discriminator.add(LeakyReLU(0.2))discriminator.add(Dropout(0.3))discriminator.add(Dense(512))discriminator.add(LeakyReLU(0.2))discriminator.add(Dropout(0.3))discriminator.add(Dense(256))discriminator.add(LeakyReLU(0.2))discriminator.add(Dropout(0.3))discriminator.add(Dense(1, activation='sigmoid'))discriminator.compile(loss='binary_crossentropy', optimizer=adam)

现在我们把发生器和鉴别器结合起来同时训练。