丹东网站建设平台,wordpress categories,泰安千橙网络有限公司,购买云服务器之后怎么使用☁️主页 Nowl #x1f525;专栏 《深度学习》 #x1f4d1;君子坐而论道#xff0c;少年起而行之 文章目录 一、GAN1.基本思想2.用途3.模型架构 二、具体任务与代码1.任务介绍2.导入库函数3.生成器与判别器4.预处理5.模型训练6.图片生成7.不同训练轮次的结果对比 一… ☁️主页 Nowl 专栏 《深度学习》 君子坐而论道少年起而行之 文章目录 一、GAN1.基本思想2.用途3.模型架构 二、具体任务与代码1.任务介绍2.导入库函数3.生成器与判别器4.预处理5.模型训练6.图片生成7.不同训练轮次的结果对比 一、GAN
1.基本思想 想象一下市面上有许多仿制的画作人们为了辨别这些伪造的画就会提高自己的鉴别技能然后仿制者为了躲过鉴别又会提高自己的伪造技能这样反反复复两个群体的技能不断得到提高这就是GAN的基本思想 2.用途
我们知道GAN的全名是生成对抗网络那么它就是以生成为主要任务所以可以用在这些方面
生成虚拟数据集当数据集数量不够时我们可以用这种方法生成数据图像清晰化可以将模糊图片清晰化文本到图像的生成可以训练文生图模型
GAN的用途还有很多可以在学习过程中慢慢发现
3.模型架构
GAN的主要结构包含一个生成器和一个判别器我们先输入一堆杂乱数据被称为噪声给生成器接着让判别器将生成器生成的数据与真实的数据作对比看是否能判别出来以此往复训练 二、具体任务与代码
1.任务介绍
相信很多人都对手写数字数据集不陌生了那我们就训练一个生成手写数字的GAN注意本示例代码需要的运行时间较长请在高配置设备上运行或者减少训练回合数 2.导入库函数
先导入必要的库函数包括torch用来处理神经网络方面的任务numpy用来处理数据
import torch
import torch.nn as nn
import torch.optim as optim
from torch.autograd.variable import Variable
from torchvision import transforms, datasets
import numpy as np3.生成器与判别器
使用torch定义生成器与判别器的基本结构这里由于任务比较简单只用定义线性层就行再给线性层添加相应的激活函数就行了
# 定义生成器Generator和判别器Discriminator的简单网络结构
class Generator(nn.Module):def __init__(self):super(Generator, self).__init__()self.model nn.Sequential(nn.Linear(100, 256),nn.ReLU(),nn.Linear(256, 784),nn.Tanh())def forward(self, noise):return self.model(noise)class Discriminator(nn.Module):def __init__(self):super(Discriminator, self).__init__()self.model nn.Sequential(nn.Linear(784, 256),nn.LeakyReLU(0.2),nn.Linear(256, 1),nn.Sigmoid())def forward(self, image):return self.model(image)4.预处理
这一部分定义了模型参数加载了数据集定义了损失函数与优化器这些是神经网络训练时的一些基本参数
# 定义一些参数
batch_size 100
learning_rate 0.0002
epochs 500# 加载MNIST数据集
transform transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5,), (0.5,))
])mnist_data datasets.MNIST(root./data, trainTrue, transformtransform, downloadTrue)
data_loader torch.utils.data.DataLoader(datasetmnist_data, batch_sizebatch_size, shuffleTrue)# 初始化生成器、判别器和优化器
generator Generator()
discriminator Discriminator()
optimizer_G optim.Adam(generator.parameters(), lrlearning_rate)
optimizer_D optim.Adam(discriminator.parameters(), lrlearning_rate)# 损失函数
criterion nn.BCELoss()5.模型训练
这一部分开始训练模型通过反向传播逐步调整模型的参数注意模型训练的过程观察生成器和判别器分别是怎么在训练中互相作用不断提高的
# 训练 GAN
for epoch in range(epochs):for data, _ in data_loader:data data.view(data.size(0), -1)real_data Variable(data)target_real Variable(torch.ones(data.size(0), 1))target_fake Variable(torch.zeros(data.size(0), 1))# 训练判别器optimizer_D.zero_grad()output_real discriminator(real_data)loss_real criterion(output_real, target_real)loss_real.backward()noise Variable(torch.randn(data.size(0), 100))fake_data generator(noise)output_fake discriminator(fake_data.detach())loss_fake criterion(output_fake, target_fake)loss_fake.backward()optimizer_D.step()# 训练生成器optimizer_G.zero_grad()output discriminator(fake_data)loss_G criterion(output, target_real)loss_G.backward()optimizer_G.step()print(fEpoch [{epoch1}/{epochs}], Loss D: {loss_real.item()loss_fake.item()}, Loss G: {loss_G.item()})6.图片生成
这一部分再一次随机生成了一些噪声并把他们传入生成器生成图片其中包含一些格式转化过程再通过matplotlib绘图库显示结果
# 生成一些图片
num_samples 16
noise Variable(torch.randn(num_samples, 100))
generated_samples generator(noise)
generated_samples generated_samples.view(num_samples, 1, 28, 28).detach()import matplotlib.pyplot as plt
import torchvision.utils as vutilsplt.figure(figsize(8, 8))
plt.axis(off)
plt.title(Generated Images)
plt.imshow(np.transpose(vutils.make_grid(generated_samples, nrow4, padding2, normalizeTrue).cpu(), (1, 2, 0))
)
plt.show()7.不同训练轮次的结果对比 感谢阅读觉得有用的话就订阅下《深度学习》专栏吧有错误也欢迎指出
