簡介：GAN生成對抗網(wǎng)絡(luò)本質(zhì)上是一種思想，其依靠神經(jīng)網(wǎng)絡(luò)能夠擬合任意函數(shù)的能力，設(shè)計了一種架構(gòu)來實現(xiàn)數(shù)據(jù)的生成。

原理：GAN的原理就是最小化生成器Generator的損失，但是在最小化損失的過程中加入了一個約束，這個約束就是使Generator生成的數(shù)據(jù)滿足我們指定數(shù)據(jù)的分布，GAN的巧妙之處在于使用一個神經(jīng)網(wǎng)絡(luò)(鑒別器Discriminator)來自動判斷生成的數(shù)據(jù)是否符合我們所需要的分布。

實現(xiàn)細(xì)節(jié)：

一：

????????準(zhǔn)備好我們想要讓生成器生成的數(shù)據(jù)類型，比如MINIST手寫數(shù)字集，包含1-10十個數(shù)字，一共60000張圖片。生成器的目的就是學(xué)習(xí)這個數(shù)據(jù)集的分布。

二，

????????定義一個生成器，用于判別一張圖片是實際的還是生成器生成的，當(dāng)生成器完美學(xué)習(xí)得到數(shù)據(jù)分布之后，鑒別器可能就分不清圖片是生成器的還是實際的，這樣的話生成器就能生成我們想要的圖片了。

????????生成器的訓(xùn)練過程為：實際數(shù)據(jù)輸出結(jié)果1，生成數(shù)據(jù)輸出結(jié)果為0，目的是學(xué)會區(qū)分真假數(shù)據(jù)，相當(dāng)于提供一個約束，使生成數(shù)據(jù)符合指定分布。當(dāng)鑒別生成器的數(shù)據(jù)分布時，只需要更新鑒別器的參數(shù)權(quán)重，不能夠通過計算圖將生成器的參數(shù)進(jìn)行更新。

三，

????????定義一個生成器，給定一個輸入，他就能生成1-10里面的一個數(shù)字的圖片。生成器的反向更新是根據(jù)鑒別器的損失來確定(被約束進(jìn)行反向更新)。生成器的網(wǎng)絡(luò)權(quán)重參數(shù)是單獨(dú)的，反向更新時，只需要更新計算圖當(dāng)中屬于生成器部分的參數(shù)。

下面給出生成1-0-1-0數(shù)據(jù)格式的代碼：

# %%
import torch
import numpy
import torch.nn as nn
import matplotlib.pyplot as plt

# %%
def gennerate1010():
    return torch.FloatTensor([numpy.random.uniform(0.9,1.1),
                              numpy.random.uniform(0.,.1),
                              numpy.random.uniform(0.9,1.1),
                              numpy.random.uniform(0.0,.1)])

# %%
def genneratexxxx():
    return torch.rand(4)

# %%
class Discrimer(nn.Module):
    def __init__(self) -> None:
        father_obj = super(Discrimer,self)
        father_obj.__init__()
        self.create_model()
        self.counter = 0
        self.progress = []
        
    def create_model(self):
        self.model = nn.Sequential(
            nn.Linear(4,3),
            nn.Sigmoid(),
            nn.Linear(3,1),
            nn.Sigmoid(),           
        )
        self.loss_functon = nn.MSELoss()
        self.optimiser = torch.optim.SGD(self.parameters(),lr=0.01)
        
    def forward(self,x):
        return self.model(x)
    
    def train(self,x,targets):
        outputs = self.forward(x)
        loss = self.loss_functon(outputs,targets)
        self.counter += 1
        if self.counter%10 == 0:
            self.progress.append(loss.item())
        if self.counter%10000 == 0:
            print(self.counter)
            
            
        self.optimiser.zero_grad()
        loss.backward()
        self.optimiser.step()
        
    def plotprogress(self):
        plt.plot(self.progress,marker='*')
        plt.show()

        

# %%
class Gennerater(nn.Module):
    def __init__(self) -> None:
        father_obj = super(Gennerater,self)
        father_obj.__init__()
        self.create_model()
        self.counter = 0
        self.progress = []

        
    def create_model(self):
        self.model = nn.Sequential(
            nn.Linear(1,3),
            nn.Sigmoid(),
            nn.Linear(3,4),
            nn.Sigmoid(),           
        )
        # 這個優(yōu)化器只能優(yōu)化生成器部分的參數(shù)
        self.optimiser = torch.optim.SGD(self.parameters(),lr=0.01)
        
    def forward(self,x):
        return self.model(x)
    
    def train(self,D,x,targets):
        g_outputs = self.forward(x)
        d_outputs = D.forward(g_outputs)
        # 使用鑒別器的loss函數(shù)，但是只更新生成器的參數(shù)，生成器的參數(shù)需要根據(jù)鑒別器的約束進(jìn)行更新
        loss = D.loss_functon(d_outputs,targets)
        self.counter += 1
        if self.counter%10 == 0:
            self.progress.append(loss.item())
        if self.counter%10000 == 0:
            print(self.counter)
            
            
        self.optimiser.zero_grad()
        loss.backward()
        self.optimiser.step()
        
    def plotprogress(self):
        plt.plot(self.progress,marker='*')
        plt.show()


# %%
D = Discrimer()

# %%
G = Gennerater()


# %%
for id in range(15000):
    # 喂入實際數(shù)據(jù)給鑒別器
    D.train(gennerate1010(),torch.FloatTensor([1.]))
    # 喂入生成的數(shù)據(jù)，使用detach從計算圖脫離，用于更新鑒別器，而生成器得不到更新
    D.train(G.forward(torch.FloatTensor([0.5]).detach()),torch.FloatTensor([0.0]))
    G.train(D,torch.FloatTensor([0.5]),torch.FloatTensor([1.]))
    

# %%
D.plotprogress()

# %%
G.plotprogress()

# %%
G.forward(torch.FloatTensor([0.5]))

參考：PyTorch生成對抗網(wǎng)絡(luò)編程文章來源地址http://www.zghlxwxcb.cn/news/detail-667857.html

到了這里，關(guān)于GAN（生成對抗網(wǎng)絡(luò)）的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！