在這篇文章中，我們使用Tensorflow2.0來實(shí)現(xiàn)GAN，使用的數(shù)據(jù)集是手寫數(shù)字?jǐn)?shù)據(jù)集。

引入需要的庫(kù)

import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers import matplotlib.pyplot as plt %matplotlib inline

導(dǎo)入數(shù)據(jù)，歸一化數(shù)據(jù)

(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)/127.5BATCH_SIZE = 256 BUFFER_SIZE = 60000datasets = tf.data.Dataset.from_tensor_slices(train_images) datasets = datasets.shuffle(BUFFER_SIZE).batch(BATCH_SIZE)

建立生成器

def generator_model(): # 用100個(gè)隨機(jī)數(shù)（噪音）生成手寫數(shù)據(jù)集model = keras.Sequential()model.add(layers.Dense(256, input_shape=(100,), use_bias=False))model.add(layers.BatchNormalization())model.add(layers.LeakyReLU())model.add(layers.Dense(512, use_bias=False))model.add(layers.BatchNormalization())model.add(layers.LeakyReLU())model.add(layers.Dense(28*28*1, use_bias=False, activation='tanh'))model.add(layers.BatchNormalization())model.add(layers.Reshape((28, 28, 1)))return model

建立判別器

def discriminator_model(): # 識(shí)別輸入的圖片model = keras.Sequential()model.add(layers.Flatten())model.add(layers.Dense(512, use_bias=False))model.add(layers.BatchNormalization())model.add(layers.LeakyReLU())model.add(layers.Dense(256, use_bias=False))model.add(layers.BatchNormalization())model.add(layers.LeakyReLU())model.add(layers.Dense(1))return model

分別定義判別器和生成器的損失函數(shù)

對(duì)于判別器來說，我們需要將導(dǎo)入的原始圖片識(shí)別為真（1），將生成器勝場(chǎng)的圖像識(shí)別為假（0）。
對(duì)于生成器來說，我們需要使得生成的圖片無(wú)限接近于真實(shí)圖片。

cross_entropy = 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_lossdef generator_loss(fake_out):return cross_entropy(tf.ones_like(fake_out), fake_out)

在以上代碼中，real_out是指向判別器輸入原始圖像得到的結(jié)果；fake_out是指向判別器輸入生成圖像得到的結(jié)果。
所以對(duì)于判別器的損失函數(shù)來說，real_out應(yīng)該無(wú)限接近于1；fake_out應(yīng)該無(wú)限接近于0。即我們想訓(xùn)練出的判別器應(yīng)該對(duì)圖片有很高的識(shí)別能力。
但對(duì)于生成器的損失函數(shù)來說，fake_out應(yīng)該無(wú)限接近于1，也就是令判別器很難分辨出生成的圖片。
【注】keras.losses.BinaryCrossentropy(from_logits=True)的用法可以參考：tensorflow2.0中損失函數(shù)tf.keras.losses.BinaryCrossentropy()的用法。

分別定義生成器和判別器的優(yōu)化函數(shù)

generator_opt = keras.optimizers.Adam(1e-4) discriminator_opt = keras.optimizers.Adam(1e-4)

實(shí)例化生成器和判別器

generator = generator_model() discriminator = discriminator_model()

定義訓(xùn)練過程

noise_dim = 100 # 即用100個(gè)隨機(jī)數(shù)生成圖片def train_step(images):noise = tf.random.normal([BATCH_SIZE, noise_dim])with tf.GradientTape() as gen_tape, tf.GradientTape() as disc_tape:real_out = discriminator(images, training=True)gen_image = generator(noise, training=True)fake_out = discriminator(gen_image, training=True)gen_loss = generator_loss(fake_out)disc_loss = discriminator_loss(real_out, fake_out)gradient_gen = gen_tape.gradient(gen_loss, generator.trainable_variables)gradient_disc = disc_tape.gradient(disc_loss, discriminator.trainable_variables)generator_opt.apply_gradients(zip(gradient_gen, generator.trainable_variables))discriminator_opt.apply_gradients(zip(gradient_disc, discriminator.trainable_variables))

gradient_gen = gen_tape.gradient(gen_loss, generator.trainable_variables)表示計(jì)算gen_loss對(duì)于generator的所有變量的梯度。
generator_opt.apply_gradients(zip(gradient_gen, generator.trainable_variables))表示根據(jù)gradient_gen來優(yōu)化generator的變量。
【注】梯度帶及梯度更新的用法參考：Tensorflow中的梯度帶（GradientTape）以及梯度更新。

定義繪圖函數(shù)

def generate_plot_image(gen_model, test_noise):pre_images = gen_model(test_noise, training=False)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')plt.axis('off')plt.show()

plt.imshow((pre_images[i, :, :, 0] + 1)/2, cmap=‘gray’)
這里是因?yàn)槲覀兪褂胻anh激活函數(shù)之后會(huì)將結(jié)果限制在-1到1之間，而我們需要將其轉(zhuǎn)化到0到1之間。

定義訓(xùn)練函數(shù)

EPOCHS = 100 # 訓(xùn)練100次 num_exp_to_generate = 16 # 生成16張圖片 seed = tf.random.normal([num_exp_to_generate, noise_dim]) # 16組隨機(jī)數(shù)組，每組含100個(gè)隨機(jī)數(shù)，用來生成16張圖片。def train(dataset, epochs):for epoch in range(epochs):for image_batch in dataset:train_step(image_batch)print('.', end='')generate_plot_image(generator, seed) train(datasets, EPOCHS)

總結(jié)

以上是生活随笔為你收集整理的Tensorflow2.0实现对抗生成网络（GAN）的全部?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。