对抗网络（GAN）手写数字生成

​
​

活动地址：CSDN21天学习挑战赛

 

---

目录

1.跑通代码

 2.代码分析

2.1

2.2

2.3

2.4

2.5

---

---

(2条消息) tensorflow零基础入门学习_重邮研究森的博客-CSDN博客_tensorflow 学习https://blog.csdn.net/m0_60524373/article/details/124143223https://blog.csdn.net/m0_60524373/article/details/124143223​>- 本文为[365天深度学习训练营](https://mp.weixin.qq.com/s/k-vYaC8l7uxX51WoypLkTw) 中的学习记录博客
>- 参考文章地址： (1条消息) 深度学习100例-生成对抗网络（GAN）手写数字生成 | 第18天_K同学啊的博客-CSDN博客https://mtyjkh.blog.csdn.net/article/details/118995896

---

本文开发环境：tensorflowgpu2.5，经过验证，2.4也可以运行

---

1.跑通代码

我这个人对于任何代码，我都会先去跑通之和才会去观看内容，哈哈哈，所以第一步我们先不管37=21，直接把博主的代码复制黏贴一份运行结果。（PS：做了一些修改，因为原文是jupyter，而我在pycharm）

import tensorflow as tf
 
gpus = tf.config.list_physical_devices("GPU")
 
if gpus:
    tf.config.experimental.set_memory_growth(gpus[0], True)  # 设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpus[0]], "GPU")
 
# 打印显卡信息，确认GPU可用
print(gpus)
 
 
 
from tensorflow.keras import layers, datasets, Sequential, Model, optimizers
from tensorflow.keras.layers import LeakyReLU, UpSampling2D, Conv2D
 
import matplotlib.pyplot as plt
import numpy             as np
import sys,os,pathlib
 
 
img_shape  = (28, 28, 1)
latent_dim = 200
 
 
def build_generator():
    # ======================================= #
    #     生成器，输入一串随机数字生成图片
    # ======================================= #
    model = Sequential([
        layers.Dense(256, input_dim=latent_dim),
        layers.LeakyReLU(alpha=0.2),  # 高级一点的激活函数
        layers.BatchNormalization(momentum=0.8),  # BN 归一化
 
        layers.Dense(512),
        layers.LeakyReLU(alpha=0.2),
        layers.BatchNormalization(momentum=0.8),
 
        layers.Dense(1024),
        layers.LeakyReLU(alpha=0.2),
        layers.BatchNormalization(momentum=0.8),
 
        layers.Dense(np.prod(img_shape), activation='tanh'),
        layers.Reshape(img_shape)
    ])
 
    noise = layers.Input(shape=(latent_dim,))
    img = model(noise)
 
    return Model(noise, img)
 
def build_discriminator():
    # ===================================== #
    #   鉴别器，对输入的图片进行判别真假
    # ===================================== #
    model = Sequential([
        layers.Flatten(input_shape=img_shape),
        layers.Dense(512),
        layers.LeakyReLU(alpha=0.2),
        layers.Dense(256),
        layers.LeakyReLU(alpha=0.2),
        layers.Dense(1, activation='sigmoid')
    ])
 
    img = layers.Input(shape=img_shape)
    validity = model(img)
 
    return Model(img, validity)
 
# 创建判别器
discriminator = build_discriminator()
# 定义优化器
optimizer = tf.keras.optimizers.Adam(1e-4)
discriminator.compile(loss='binary_crossentropy',
                      optimizer=optimizer,
                      metrics=['accuracy'])
 
# 创建生成器
generator = build_generator()
gan_input = layers.Input(shape=(latent_dim,))
img = generator(gan_input)
 
# 在训练generate的时候不训练discriminator
discriminator.trainable = False
 
# 对生成的假图片进行预测
validity = discriminator(img)
combined = Model(gan_input, validity)
combined.compile(loss='binary_crossentropy', optimizer=optimizer)
 
def sample_images(epoch):
    """
    保存样例图片
    """
    row, col = 4, 4
    noise = np.random.normal(0, 1, (row*col, latent_dim))
    gen_imgs = generator.predict(noise)
 
    fig, axs = plt.subplots(row, col)
    cnt = 0
    for i in range(row):
        for j in range(col):
            axs[i,j].imshow(gen_imgs[cnt, :,:,0], cmap='gray')
            axs[i,j].axis('off')
            cnt += 1
    fig.savefig("images/%05d.png" % epoch)
   # fig.savefig(" E:/2021_Project_YanYiXia/AI/21/对抗网络（GAN）手写数字生成/images/%05d.png" % epoch)
 
    plt.close()
 
 
def train(epochs, batch_size=128, sample_interval=50):
    # 加载数据
    (train_images, _), (_, _) = tf.keras.datasets.mnist.load_data()
 
    # 将图片标准化到 [-1, 1] 区间内
    train_images = (train_images - 127.5) / 127.5
    # 数据
    train_images = np.expand_dims(train_images, axis=3)
 
    # 创建标签
    true = np.ones((batch_size, 1))
    fake = np.zeros((batch_size, 1))
 
    # 进行循环训练
    for epoch in range(epochs):
 
        # 随机选择 batch_size 张图片
        idx = np.random.randint(0, train_images.shape[0], batch_size)
        imgs = train_images[idx]
 
        # 生成噪音
        noise = np.random.normal(0, 1, (batch_size, latent_dim))
        # 生成器通过噪音生成图片，gen_imgs的shape为：(128, 28, 28, 1)
        gen_imgs = generator.predict(noise)
 
        # 训练鉴别器
        d_loss_true = discriminator.train_on_batch(imgs, true)
        d_loss_fake = discriminator.train_on_batch(gen_imgs, fake)
        # 返回loss值
        d_loss = 0.5 * np.add(d_loss_true, d_loss_fake)
 
        # 训练生成器
        noise = np.random.normal(0, 1, (batch_size, latent_dim))
        g_loss = combined.train_on_batch(noise, true)
 
        print("%d [D loss: %f, acc.: %.2f%%] [G loss: %f]" % (epoch, d_loss[0], 100 * d_loss[1], g_loss))
 
        # 保存样例图片
        if epoch % sample_interval == 0:
            sample_images(epoch)
 
#train(epochs=30000, batch_size=256, sample_interval=200)
 
 
import imageio
 
 
def compose_gif():
    # 图片地址
    data_dir = "E:/2021_Project_YanYiXia/AI/21/对抗网络（GAN）手写数字生成/images"
    data_dir = pathlib.Path(data_dir)
    paths = list(data_dir.glob('*'))
 
    gif_images = []
    for path in paths:
        print(path)
        gif_images.append(imageio.imread(path))
    imageio.mimsave("test.gif", gif_images, fps=2)
 
 
compose_gif()
 
 

点击pycharm运行即可得到结果，此图为对抗网络生成的手写数字

 2.代码分析

神经网络的整个过程我分为如下六部分，而我们也会对这六部分进行逐部分分析。那么这6部分分别是：但是：这里是对抗网络，和传统方法有区别，因此六步法不适用了，我们将重新分析。

五步法：

1->import

2->设置生成器和判别器

3->创建生成器和判别器

4->训练模型

5->验证

2.1

导入：这里很容易理解，也就是导入本次实验内容所需要的各种库。在本案例中主要包括以下部分：

 蓝框1：

设置电脑gpu工作，如果你的电脑没有gpu就不设置，或者你的gpu显存不够，训练时出问题了，那么就设在为cpu模式

蓝框2：

导入各种库

对于这里的话我们可以直接复制黏贴，当需要一些其他函数时，只需要添加对应的库文件即可。

2.2

这里是设置生成器和判别器。其中对于生成器和判别器的详细解释可以参考下面这个链接。

四天搞懂生成对抗网络（一）——通俗理解经典GAN - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/307527293总之，我们需要清楚的一点是，对抗网络中：

生成器：根据随机数生成一些“以假乱真”的数据集

判别器：对生成器“以假乱真”的数据集和真实的数据集进行判别

两者在训练过程中都会不断进行优化，生成器会不断生成更多“更真”的数据，判别器会“检测”的更仔细。

下面进行详细代码解释：

蓝框 1：

这里设置我们的图片格式和输入的维度

蓝框2：

这里引入了alpha激活函数，批标准化，prod函数。

先设置网络层，然后把噪音当作输入层，img当作输出层。

 这部分为判别器。

输入是之前噪音生成的img，输出是真或者假

很有趣的一点，生成器和判别器的网络模型基本上是对折的！

2.3

在生成器和判别器都定义好之后，我们可以创建它们

 蓝框1：

设置优化器，关于优化器的参数设置可以参考文章开头我之前写的一篇基础文章

蓝框2：

创建生成器，生成器输入为噪音维度的数，输出是图片数据

蓝框3：

在训练生成器的时候不训练判别器

2.4

在完成基础准备工作之后，就可以开始训练了

 重点！！！

现在我们来对如何对生成器和判别器训练进行代码解读！！！

蓝框1：

这里就是我们之前文章调用minist数据集制作datset的方法，包括加载数据，数据处理，归一化，修改维度。同时这里的区别是：在标签方面，1为真，0为假，都是根据batch_size来生产的一个列表。

蓝框2：

返回一个随机整型数，范围从低0（包括）到高 train_images.shape[0]（不包括）.另外输出随机数的尺寸为batch_size

总结：这里就是随机获取官方数据集中任意一组图片

蓝框3：

从正态（高斯）分布中抽取随机样本。其中样本尺寸为(batch_size, latent_dim)

根据噪音的随机情况可以生成随机的一个图片数据

蓝框4：

discriminator.train_on_batch(imgs, true)的意思是，输入为img，输出为true，返回结果为loss

把真实数据和假数据的loss计算出来为总loss

蓝框5

从正态（高斯）分布中抽取随机样本。其中样本尺寸为(batch_size, latent_dim)

根据噪音的随机情况然后利用 combined.train_on_batch(noise, true)的意思是，输入为noise，输出为true，返回结果为loss

蓝框6

打印每轮的损失函数信息

蓝框7

执行训练

 2.5

训练结束后，我们可以观察训练的结果

​

上面是生成tif动图代码

​ 上面是保存样例图片代码