在弄畢設的時候，室友的畢設是基于DCGAN實現音樂的自動生成。那是第一次接觸對抗神經網絡，當時聽室友的描述就是兩個CNN，一個生成一個監測，在互相博弈。
最近我關注的一個大神在弄有關于GAN的東西，所以就跟著學了一下，蠻有意思的，和之前的深度學習略有不同。

1.導入庫

import tensorflow as tf import matplotlib.pyplot as plt import numpy as np import glob import sys,os,pathlib,imageio

2.基本原理

生成式對抗網絡（GAN）是一種深度學習模型，是近年來復雜分布上無監督學習最具前景的方法之一。2014年由lanGoodfellow引入深度學習領域，被評價為“20年來深度學習領域最酷的想法”。
機器學習的模型大體上可分為兩類，生成模型和判別模型。判別模型需要輸入變量，通過某種模型來預測。生成模型是給定某種隱含信息，來隨機產生觀測數據。在之前的深度學習實驗中，都是使用判別模型，來實現對某種事務的判別，例如：貓狗大戰、鳥類識別、手寫數字識別等。而生成模型接觸的并不多。GAN是更好的生成模型。
GAN主要包括了兩個部分：生成器generator與判別器discriminator。生成器主要用來學習真實圖像分布從而讓自身生成的圖像更加真實，從而騙過判別器。而判別器則需要對接收的圖片進行真假判別。

在訓練過程中，生成器努力地令生成的圖像更加真實，而判別器則努力地去識別圖像的真假，這個過程相當于二人博弈，隨著時間的推移，生成器和判別器在不斷地進行對抗。最終兩個網絡達到了一個動態均衡：生成器生成的圖像接近于真是圖像分布，而判別器識別不出真假圖像，對于給定圖像的預測為真的概率基本接近0.5（相當于隨機猜測類別）。

利用GAN生成手寫數字識別的流程圖如下所示：

對于給定的真實圖片，判別器要為其打上標簽1；
對于給定的生成圖片，判別器要為其打上標簽0；
對于生成器傳給辨別器的生成圖片，生成器希望辨別器打上標簽1.

GAN步驟：

1.生成器（Generator）接收隨機數并返回生成圖像。
2.將生成的數字圖像與實際數據集中的數字圖像一起送到鑒別器（Discriminator）。
3.鑒別器（Discriminator）接收真實和假圖像并返回概率，0到1之間的數字，1表示真，0表示假。

3.數據準備

在這一階段我們導入真實的手寫數字，對其進行打亂、batch、歸一化等操作。

(train_images,train_labels) ,(_,_) = tf.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#歸一化到[-1,1]之間 batch_size = 256 buffer_size = 60000 datasets = tf.data.Dataset.from_tensor_slices(train_images) datasets = datasets.shuffle(buffer_size).batch(batch_size)

4.生成器與判別器的構建

def Generator_model():#最終生成28*28*1的圖片model = tf.keras.Sequential([tf.keras.layers.Dense(256,input_shape=(100,)),#傳入的數據為長度為100的隨機向量tf.keras.layers.BatchNormalization(),#歸一化tf.keras.layers.LeakyReLU(),#高級一點的Relu函數tf.keras.layers.Dense(512),tf.keras.layers.BatchNormalization(),tf.keras.layers.LeakyReLU(),tf.keras.layers.Dense(28*28*1,activation='tanh'),tf.keras.layers.BatchNormalization(),tf.keras.layers.Reshape((28,28,1))#最后調整為（28，28，1）形狀的數據，與手寫數字的shape一致，作為生成器生成的圖片])return modeldef Discriminator_model():#判斷圖片是真正的圖片還是生成的model = tf.keras.Sequential([tf.keras.layers.Flatten(),#傳入一張圖片，將其展開成一維數組tf.keras.layers.Dense(512),tf.keras.layers.BatchNormalization(),tf.keras.layers.LeakyReLU(),tf.keras.layers.Dense(256),tf.keras.layers.BatchNormalization(),tf.keras.layers.LeakyReLU(),tf.keras.layers.Dense(1,activation='sigmoid')])return model generator = Generator_model() discriminator = Discriminator_model()

5.生成器與判別器的loss構建

判別器的loss值：判斷真實圖片為1的loss與判斷生成圖片為0的loss之和。因為判別器希望將真實圖片判別為1，將生成圖片判別為0.
生成器的loss值：判斷生成圖片為1的loss。因為生成器希望生成的圖片是真實圖片，即判別為1.

#生成器losses cross_entropy = tf.keras.losses.BinaryCrossentropy(from_logits=True) def Discriminator_loss(real_out,fake_out):real_loss = cross_entropy(tf.ones_like(real_out),real_out)fake_loss = cross_entropy(tf.zeros_like(fake_out), fake_out)return real_loss+fake_loss def Generator_loss(fake_out):return cross_entropy(tf.ones_like(fake_out), fake_out) Generator_opt = tf.keras.optimizers.Adam(learning_rate=1e-4) Discriminator_opt = tf.keras.optimizers.Adam(learning_rate=1e-4)

參數設置

epochs = 100 noise_dim = 100 num_exp_to_generate = 16 seed = tf.random.normal([num_exp_to_generate,noise_dim])#16個長度為100的向量

6.批次訓練

對一個batch_size的數據進行訓練

def train_step(images):noise = tf.random.normal([batch_size,noise_dim])#生成一個batch_size*noise_dim的數據，相當于生成了batch_size個長度為100的隨機向量with tf.GradientTape() as gen_tape,tf.GradientTape() as dis_tape:#兩個Tape，一個代表生成器，一個代表判別器。real_out = discriminator(images,training = True)#利用判別器對真實的圖片進行訓練，得到一個modelgen_image = generator(noise,training = True)#利用生成器對噪聲數據生成圖片fake_out = discriminator(gen_image, training=True)#利用判別器對生成的圖片進行訓練gen_loss = Generator_loss(fake_out)#利用判別器對生成圖片的判斷計算生成器的loss值dis_loss = Discriminator_loss(real_out,fake_out)##利用判別器對生成圖片和真實圖片的判斷計算判別器的loss值gradient_gen = gen_tape.gradient(gen_loss,generator.trainable_variables)#根據生成器的loss值和網絡模型計算梯度gradient_dis = dis_tape.gradient(dis_loss, discriminator.trainable_variables)#根據判別器的loss值和網絡模型計算梯度Generator_opt.apply_gradients(zip(gradient_gen,generator.trainable_variables))#根據梯度對生成器進行梯度更新Discriminator_opt.apply_gradients(zip(gradient_dis,discriminator.trainable_variables))#根據梯度對判別器進行梯度更新

7.訓練&&可視化

def train(dataset,epochs):for epoch in range(epochs):#一共訓練epochs次for image_batch in dataset:#對dataset中的每一個batch進行訓練train_step(image_batch)print('.',end='')print()Generator_plot_image(generator,seed,epoch)#根據訓練好的生成器，對之前生成的seed進行處理，生成圖片 train(datasets,epochs) def Generator_plot_image(gen_model,test_noise,epoch):pre_images = gen_model(test_noise,training = False)#根據test_noise生成圖片，生成器設置為不可訓練fig = plt.figure(figsize=(4,4))for i in range(pre_images.shape[0]):plt.subplot(4,4,i+1)plt.imshow((pre_images[i,:,:,0]+1)/2,cmap='gray')#之前歸一化為[-1,1]之間，現在+1然后除以2，使之在[0,1]之間plt.axis('off')fig.savefig("E:/tmp/.keras/datasets/number_gen/%05d.png" % epoch)plt.close()

生成圖片如下所示：

8.生成動圖

該模塊參考大神K同學啊

def compose_gif():# 圖片地址data_dir = "E:/tmp/.keras/datasets/number_gen"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("E:/tmp/.keras/datasets/test.gif", gif_images, fps=2) compose_gif()

文件太大，csdn忍不了無法上傳。

由于訓練速度等原因，epochs設置的是100，最終展示的效果并不是很好，但是也可以看出生成的圖片由一片模糊向逐漸清晰的過渡。

努力加油a啊

總結

以上是生活随笔為你收集整理的深度学习之基于GAN实现手写数字生成的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。