5分钟入门GANS：原理解释和keras代码实现

taotao_2016 2020-08-23

展开全文

本篇文章包含以下内容

1. 介绍

1. 历史

1. 直观解释

1. 训练过程

1. GAN在MNIST数据集上的KERAS实现

介绍

生成式敌对网络通常也称为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)。

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，两个相互竞争的敌对网络。

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

对于本文，我们将使用MNIST数据集生成手写数字。GAN的架构是:

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。

# Combined networkdiscriminator.trainable = FalseganInput = Input(shape=(randomDim,))x = generator(ganInput)ganOutput = discriminator(x)gan = Model(inputs=ganInput, outputs=ganOutput)gan.compile(loss='binary_crossentropy', optimizer=adam)dLosses = []gLosses = []

三个函数，每20个epoch绘制并保存结果，并保存模型。

# Plot the loss from each batchdef plotLoss(epoch):    plt.figure(figsize=(10, 8))    plt.plot(dLosses, label='Discriminitive loss')    plt.plot(gLosses, label='Generative loss')    plt.xlabel('Epoch')    plt.ylabel('Loss')    plt.legend()    plt.savefig('images/gan_loss_epoch_%d.png' % epoch)# Create a wall of generated MNIST imagesdef plotGeneratedImages(epoch, examples=100, dim=(10, 10), figsize=(10, 10)):    noise = np.random.normal(0, 1, size=[examples, randomDim])    generatedImages = generator.predict(noise)    generatedImages = generatedImages.reshape(examples, 28, 28)    plt.figure(figsize=figsize)    for i in range(generatedImages.shape[0]):        plt.subplot(dim[0], dim[1], i+1)        plt.imshow(generatedImages[i], interpolation='nearest', cmap='gray_r')        plt.axis('off')    plt.tight_layout()    plt.savefig('images/gan_generated_image_epoch_%d.png' % epoch)# Save the generator and discriminator networks (and weights) for later usedef saveModels(epoch):    generator.save('models/gan_generator_epoch_%d.h5' % epoch)    discriminator.save('models/gan_discriminator_epoch_%d.h5' % epoch)

训练函数

def train(epochs=1, batchSize=128):    batchCount = X_train.shape[0] / batchSize    print 'Epochs:', epochs    print 'Batch size:', batchSize    print 'Batches per epoch:', batchCount    for e in xrange(1, epochs+1):        print '-'*15, 'Epoch %d' % e, '-'*15        for _ in tqdm(xrange(batchCount)):            # Get a random set of input noise and images            noise = np.random.normal(0, 1, size=[batchSize, randomDim])            imageBatch = X_train[np.random.randint(0, X_train.shape[0], size=batchSize)]            # Generate fake MNIST images            generatedImages = generator.predict(noise)            # print np.shape(imageBatch), np.shape(generatedImages)            X = np.concatenate([imageBatch, generatedImages])            # Labels for generated and real data            yDis = np.zeros(2*batchSize)            # One-sided label smoothing            yDis[:batchSize] = 0.9            # Train discriminator            discriminator.trainable = True            dloss = discriminator.train_on_batch(X, yDis)            # Train generator            noise = np.random.normal(0, 1, size=[batchSize, randomDim])            yGen = np.ones(batchSize)            discriminator.trainable = False            gloss = gan.train_on_batch(noise, yGen)        # Store loss of most recent batch from this epoch        dLosses.append(dloss)        gLosses.append(gloss)        if e == 1 or e % 20 == 0:            plotGeneratedImages(e)            saveModels(e)    # Plot losses from every epoch    plotLoss(e)