【他山之石】白话生成对抗网络GAN及代码实现

“他山之石，可以攻玉”，站在巨人的肩膀才能看得更高，走得更远。在科研的道路上，更需借助东风才能更快前行。为此，我们特别搜集整理了一些实用的代码链接，数据集，软件，编程技巧等，开辟“他山之石”专栏，助你乘风破浪，一路奋勇向前，敬请关注。

作者：养生的控制人

地址：https://www.zhihu.com/people/yilan-zhong-shan-xiao-29-98

本文主要是个简单的笔记，参考资料来自下面三部分

1. Tutorial_HYLee_GAN
2. Renu Khandelwal 的博客
3. Jason 的博客

01

神经网络一览

各种神经网络（全连接前向网络、卷积神经网络、循环神经网络）的区别在于具有不同的输入/输出形式，比如可以是向量、矩阵或者是向量序列等。

02

GAN的基本思想

GAN由生成器和判别器组成：

生成器的本质也是一个神经网络，或者说是一个函数

如果给定一个向量可以生成一张漫画图片，向量的每一个维度具有不同含义

判别器的本质也是一个神经网络

如果给定一张图片，判别器就会告诉你这是不是真实图片

所以GAN的训练本质就是训练两个神经网络。

03

GAN的工作原理

生成器的目标是产生和训练数据相似的数据（以假乱真的图片），而判别器的目标是辨别真假。

生成器的输入通常为随机噪声，判别器有两个输入，一个来自训练数据中的真图片，一个来自生成器生成的假图片。

GAN的流程如下图所示

每一次迭代过程中：

1. 更新判别器的网络参数。即给定假图片以及假图片的标签（上图中的generated example）、真图片以及真图片的标签（上图中的real example），让判别器能够区别出真假图片，也就是训练一个尽可能准确的二分类器。
2. 固定判别器网络参数, 更新生成器网络。即给定假图片以及假标签（让判别器以为假图片是真的），从而误差反向传播来更新生成器，使得生成器生成更加逼真的照片。

GAN训练的目标函数如下所示

• 判别器想要最大化目标函数使得对于真实数据 D(x) 接近 1，对于假数据 D(G(z)) 接近 0
• 生成器想要最小化目标函数使得 D(G(z)) 接近 1，也就是欺骗判别器让它认为假数据为真

04

GAN的实现

这里采用 MNIST 数据集作为实验数据，最后我们会看到生成器能够产生看起来像真的数字！

导入需要用到的库

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
import keras
from keras.layers import Dense, Dropout, Input
from keras.models import Model,Sequential
from keras.datasets import mnist
from tqdm import tqdm
from keras.layers.advanced_activations import LeakyReLU
from keras.optimizers import Adam

导入数据

def load_data():
    (x_train, y_train), (x_test, y_test) = mnist.load_data()
    x_train = (x_train.astype(np.float32) - 127.5)/127.5

    # 将图片转为向量 x_train from (60000, 28, 28) to (60000, 784) 
    # 每一行 784 个元素
    x_train = x_train.reshape(60000, 784)
    return (x_train, y_train, x_test, y_test)
(X_train, y_train,X_test, y_test)=load_data()
print(X_train.shape)

定义优化器

def adam_optimizer():
    return Adam(lr=0.0002, beta_1=0.5)

这里要采用的生成对抗网络的结构如下图所示

定义生成器：输入是 100 维，经过三层隐藏层，输出 784 维的向量（造假的图片）

def create_generator():
    generator=Sequential()
    generator.add(Dense(units=256,input_dim=100))
    generator.add(LeakyReLU(0.2))

    generator.add(Dense(units=512))
    generator.add(LeakyReLU(0.2))

    generator.add(Dense(units=1024))
    generator.add(LeakyReLU(0.2))

    generator.add(Dense(units=784, activation='tanh'))

    generator.compile(loss='binary_crossentropy', optimizer=adam_optimizer())
    return generator
g=create_generator()
g.summary()

定义判别器：判别器的输入为真实图片或者由生成器造出来的假图片（784维），经过三层隐藏层，输出类别（1 维）

def create_discriminator():
    discriminator=Sequential()
    discriminator.add(Dense(units=1024,input_dim=784))
    discriminator.add(LeakyReLU(0.2))
    discriminator.add(Dropout(0.3))


    discriminator.add(Dense(units=512))
    discriminator.add(LeakyReLU(0.2))
    discriminator.add(Dropout(0.3))

    discriminator.add(Dense(units=256))
    discriminator.add(LeakyReLU(0.2))

    discriminator.add(Dense(units=1, activation='sigmoid'))

    discriminator.compile(loss='binary_crossentropy', optimizer=adam_optimizer())
    return discriminator
d =create_discriminator()
d.summary()

定义生成对抗网络

def create_gan(discriminator, generator):
    discriminator.trainable=False
    # 这是一个链式模型：输入经过生成器、判别器得到输出
    gan_input = Input(shape=(100,))
    x = generator(gan_input)
    gan_output= discriminator(x)
    gan= Model(inputs=gan_input, outputs=gan_output)
    gan.compile(loss='binary_crossentropy', optimizer='adam')
    return gan
gan = create_gan(d,g)
gan.summary()

定义画图函数来可视化图片的生成

def plot_generated_images(epoch, generator, examples=100, dim=(10,10), figsize=(10,10)):
    noise= np.random.normal(loc=0, scale=1, size=[examples, 100])
    generated_images = generator.predict(noise)
    generated_images = generated_images.reshape(100,28,28)
    plt.figure(figsize=figsize)
    for i in range(generated_images.shape[0]):
        plt.subplot(dim[0], dim[1], i+1)
        plt.imshow(generated_images[i], interpolation='nearest')
        plt.axis('off')
    plt.tight_layout()
    plt.savefig('gan_generated_image %d.png' %epoch)

生成对抗网络的训练函数

def training(epochs=1, batch_size=128):

    #导入数据
    (X_train, y_train, X_test, y_test) = load_data()
    batch_count = X_train.shape[0] / batch_size

    # 定义生成器、判别器和GAN网络
    generator= create_generator()
    discriminator= create_discriminator()
    gan = create_gan(discriminator, generator)

    for e in range(1,epochs+1 ):
        print("Epoch %d" %e)
        for _ in tqdm(range(int(batch_count))):
            #产生噪声喂给生成器
            noise= np.random.normal(0,1, [batch_size, 100])

            # 产生假图片
            generated_images = generator.predict(noise)

            # 一组随机真图片
            image_batch =X_train[np.random.randint(low=0,high=X_train.shape[0],size=batch_size)]

            # 真假图片拼接 
            X= np.concatenate([image_batch, generated_images])

            # 生成数据和真实数据的标签
            y_dis=np.zeros(2*batch_size)
            y_dis[:batch_size]=0.9

            # 预训练，判别器区分真假
            discriminator.trainable=True
            discriminator.train_on_batch(X, y_dis)

            # 欺骗判别器 生成的图片为真的图片
            noise= np.random.normal(0,1, [batch_size, 100])
            y_gen = np.ones(batch_size)

            # GAN的训练过程中判别器的权重需要固定 
            discriminator.trainable=False

            # GAN的训练过程为交替“训练判别器”和“固定判别器权重训练链式模型”
            gan.train_on_batch(noise, y_gen)

        if e == 1 or e % 50 == 0:
            # 画图 看一下生成器能生成什么
            plot_generated_images(e, generator)
training(400,256)

经过训练后生成的图片

一个epoch后生成器还是个小学生

100个epoch后生成器已经有点样子了

400个epoch后生成器可以出师了

是不是已经学得像模像样了，这样就能够利用噪声通过生成器来生成以假乱真的图片了。

本文目的在于学术交流，并不代表本公众号赞同其观点或对其内容真实性负责，版权归原作者所有，如有侵权请告知删除。

直播预告

“他山之石”历史文章

分享、点赞、在看，给个三连击呗！