生成式對抗網絡是一種用于訓練生成器模型的深度學習體系結構。GAN由兩個模型組成，一個稱為生成器(Generator)，另一個稱為判別器(Discriminator)。顧名思義，生成器生成新樣本，判別器負責對生成的樣本進行真偽分類。

GAN實際如何運作的？

判別器模型的性能用于更新生成器和判別器本身的網絡權重。生成器實際上從未看到過數據，而是根據判別器的性能不斷地進行調整，更具體地說，是根據從判別器傳回來的誤差梯度進行調整。生成器逐漸學會通過產生與真實樣本完全相同的樣本來欺騙判別器。

在這篇文章中，我們將選擇一個簡單的一維函數來直觀地理解GAN。本文分為5個部分：

選擇一個一維函數實現判別器模型實現生成器模型訓練GAN模型性能評估1.一維函數

我們需要選擇一個一維函數來制作模型。一維函數的形式為

y = f(x)，其中x是輸入，y是對應的輸出

為簡單起見，我將使用函數y = x。您可以自由選擇任何函數。我們將保持輸入在-0.5和+0.5之間。下面給出了一個計算輸入的簡單函數 ：

該函數簡單地接受N個隨機值，并將每個值減去0.5，以便將輸入范圍保持在-0.5和+0.5之間。當為real時y=1，當為fake時y=0。

2.判別器模型

判別器只是一個簡單的分類模型，它可以預測樣本是real還是fake。判別器將兩個實數值的樣本作為輸入，并輸出樣本是real還是fake。我們處理的問題非常簡單，所以我們不需要非常復雜的神經網絡，我們將只采用一個隱藏層，其中有25個節點。您可以自由地試驗節點數或層數，以提高生成器的準確性。我們將對隱藏層使用ReLu激活，對輸出層使用sigmoid激活。Python實現如下：

3.生成器模型

對于生成器，我們將噪聲輸入提供給生成器，此噪聲輸入也稱為潛在變量。

潛在變量是潛在空間中的隱藏變量或未觀察到的變量，潛在空間是這些變量的多維空間。

直到我們的生成器受到訓練并賦予這些點意義，該潛在空間才有意義，這些點被映射到判別器的輸入。我們將定義一個3維的潛在空間(可以更改維數)，并實驗生成器的行為和準確度如何變化。我們將對潛在空間中的每個變量使用高斯分布。生成器使用一個隱藏層，該隱藏層將由15個具有ReLu激活函數的神經元組成。輸出層將由兩個神經元組成，這兩個神經元將連接到判別器層的輸入。

4.訓練GAN模型

訓練GAN模型的方法有很多，最簡單的方法是創建一個新的模型，該模型由生成器和判別器兩部分組成。我們只是在邏輯上封裝了生成器和判別器網絡。我們將把GAN模型作為一個整體進行訓練，這樣來自判別器的反向傳播誤差也會更新生成器的權重。如果判別器能夠很好地進行分類，那么生成器的權重將更新得更多；如果判別器不能很好地進行分類，那么生成器的權重將更新得少一些。這樣，在生成器和判別器之間就形成了一種對抗關系。Python實現代碼如下：

判別器模型的可訓練屬性被設置為false，這樣就可以僅對standalone模型進行訓練。

現在我們只剩下對GAN模型進行整體訓練了。我們將編寫一個函數來做這個的事情。該函數將運行10000個epochs，每運行2000個epochs，它將評估判別器和生成器的性能。Python實現的代碼如下：

5.評估性能

在每隔一定的epochs之后，我們將調用show_performance函數，該函數將從生成器中獲取真實樣本和虛假樣本并預測結果。我們還將在散點圖上繪制結果，以便我們可以查看GAN的性能。Python實現的代碼如下：

在epoch = 2000之后，我們得到了散點圖如下，您的圖可能會有所不同。

紅點表示real點，藍點表示生成器生成的點。我們可以看到，藍點已開始呈y =x的形狀。

如果我們繼續進行10000個epochs，您將得到類似下面的圖像。您可以嘗試使用更多個epochs(例如15000或20000個epochs)來獲得更好的準確性。

現在我們可以看到，我們已經從生成器中得到了一個更確定的樣本，我們可以說生成器已經學習并擬合了這個函數。也就是說，僅僅通過誤差梯度，生成器就學會了這個函數。

總結

以上是生活随笔為你收集整理的python开源库生成式对抗网络_Python：使用Tensorflow开发一维生成对抗网络的全部內容，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。