可直接运行的gan小项目（详细注释）结合代码通俗理解gan的原理

68 阅读 0 评论 45 点赞

我是靠谱客的博主陶醉绿茶，最近开发中收集的这篇文章主要介绍可直接运行的gan小项目（详细注释）结合代码通俗理解gan的原理，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

大家先看底下对这个gan小项目来源和介绍，然后再看代码，copy下来可直接运行。中文注释是我自己理解的过程中加的，对好不了解gan但是想直接上手的同志比较友好，如果注释有不合理的地方欢迎指出～

这个小项目有利于不了解gan原理的同志迅速上手和了解gan原理

#-*-coding= utf-8 -*-
import tensorflow as tf
import numpy as np
#import matplotlib.pyplot as plt
from matplotlib import
pyplot as plt
tf.set_random_seed(1)
#设定图级别的随机数：为了使所有op产生的随机序列在会话之间是可重复的
# 一般这两句话同时使用，图级和操作seed都被设置：两个seed联合使用以确定随机序列。
np.random.seed(1)
# Hyper Parameters
BATCH_SIZE = 64
LR_G = 0.0001
# learning rate for generator
LR_D = 0.0001
# learning rate for discriminator
N_IDEAS = 5
# think of this as number of ideas for generating an art work (Generator)
ART_COMPONENTS = 15
# it could be total point G can draw in the canvas
PAINT_POINTS = np.vstack([np.linspace(-1, 1, ART_COMPONENTS) for _ in range(BATCH_SIZE)])
print(PAINT_POINTS[0]) #list,从-1开始到1的15个均匀分布的点组成的list，共Batch_size个这样的向量组成的矩阵
# show our beautiful painting range
# 画曲线，通过15个点做完平方操作得到的点，用曲线连接这些点
#plt.plot[x,y,color] #这个y可以传入一个关于x的函数
plt.plot(PAINT_POINTS[0], 2 * np.power(PAINT_POINTS[0], 2) + 1, c='#74BCFF', lw=3, label='upper bound')
plt.plot(PAINT_POINTS[0], 1 * np.power(PAINT_POINTS[0], 2) + 0, c='#FF9359', lw=3, label='lower bound')
plt.legend(loc='upper right')#图例放在右上角，location，此时显示的第一个图图例显示的是两个label
plt.show()
def artist_works():
# painting from the famous artist (real target)
a = np.random.uniform(1, 2, size=BATCH_SIZE)[:, np.newaxis]
#从1，2之间的均匀分布的随机采样，左闭右开，64个点,后面的np.newaxis是加了一维度，每个数就变成一个list，此时的a就是一个矩阵了
print (a)
paintings = a * np.power(PAINT_POINTS, 2) + (a-1)
return paintings
with tf.variable_scope('Generator'):
G_in = tf.placeholder(tf.float32, [None, N_IDEAS])
# random ideas (could from normal distribution)
G_l1 = tf.layers.dense(G_in, 128, tf.nn.relu)
G_out = tf.layers.dense(G_l1, ART_COMPONENTS)
# making a painting from these random ideas
print(G_in.shape)#(?,5)
print(G_l1.shape)#（？，128）
print(G_out.shape)#(？，15) 开始绘画，15个点
with tf.variable_scope('Discriminator'):
real_art = tf.placeholder(tf.float32, [None, ART_COMPONENTS], name='real_in')
# receive art work from the famous artist
D_l0 = tf.layers.dense(real_art, 128, tf.nn.relu, name='l')
# 全连接
prob_artist0 = tf.layers.dense(D_l0, 1, tf.nn.sigmoid, name='out')
# probability that the art work is made by artist
# reuse layers for generator
D_l1 = tf.layers.dense(G_out, 128, tf.nn.relu, name='l', reuse=True)
# receive art work from a newbie like G
prob_artist1 = tf.layers.dense(D_l1, 1, tf.nn.sigmoid, name='out', reuse=True)
# probability that the art work is made by artist
#这两个变量在上面定义过了，所以直接reuse来调用这个变量，其实求真实图片概率和假图片概率过的流程是一致的
D_loss = -tf.reduce_mean(tf.log(prob_artist0) + tf.log(1-prob_artist1))
#让真实样本的prob_artist0越大越好，生成数据越小越好，总体加个负号，即为符合loss函数越小越好的特性了
G_loss = tf.reduce_mean(tf.log(1-prob_artist1))
#生成后被判别成假的的概率越小越好
train_D = tf.train.AdamOptimizer(LR_D).minimize(
D_loss, var_list=tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='Discriminator'))
train_G = tf.train.AdamOptimizer(LR_G).minimize(
G_loss, var_list=tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='Generator'))
sess = tf.Session()
sess.run(tf.global_variables_initializer())
plt.ion()
# something about continuous plotting，图片连续出现
for step in range(5000):
artist_paintings = artist_works()
# real painting from artist
G_ideas = np.random.randn(BATCH_SIZE, N_IDEAS) #初始化随机值，这个ideas是很形象的，标准正态分布的随机点
G_paintings, pa0, Dl = sess.run([G_out, prob_artist0, D_loss, train_D, train_G],
# train and get results
{G_in: G_ideas, real_art: artist_paintings})[:3]
if step % 50 == 0:
# plotting
plt.cla() #清除上一个图
#plt.plot[x,y,color] #这个y可以传入一个关于x的函数
#第一条即画出自己生成的线
plt.plot(PAINT_POINTS[0], G_paintings[0], c='#4AD631', lw=3, label='Generated painting',)
plt.plot(PAINT_POINTS[0], 2 * np.power(PAINT_POINTS[0], 2) + 1, c='#74BCFF', lw=3, label='upper bound')
plt.plot(PAINT_POINTS[0], 1 * np.power(PAINT_POINTS[0], 2) + 0, c='#FF9359', lw=3, label='lower bound')
plt.text(-.5, 2.3, 'D accuracy=%.2f (0.5 for D to converge)' % pa0.mean(), fontdict={'size': 15})
plt.text(-.5, 2, 'D score= %.2f (-1.38 for G to converge)' % -Dl, fontdict={'size': 15})
plt.ylim((0, 3)); plt.legend(loc='upper right', fontsize=12); plt.draw(); plt.pause(0.01)
plt.ioff() #关闭图片连续出现
plt.show()

gan出来好几年了，进化版的gan也出了十来个了，最近才开始了解gan，有点out了。

代码来源：https://github.com/MorvanZhou/Tensorflow-Tutorial/blob/master/tutorial-contents/406_GAN.py

这里要推荐一下简单易懂的莫烦python的博客，我在理解一个新的模型的时候往往先去看看莫烦python网站上看看有没有好理解的小项目。这个项目就来自莫烦python，https://morvanzhou.github.io/tutorials/machine-learning/ML-intro/2-6-GAN/

简单介绍一下这个项目：

真实的正确数据：满足a*X^2+(a-1)且1<a<2的曲线

生成器的任务是生成曲线，且不被判别器发现是伪造的假数据

损失函数

D_loss = -tf.reduce_mean(tf.log(prob_artist0) + tf.log(1-prob_artist1))
#让真实样本被判别器判断为真的概率prob_artist0越大越好，让生成器伪造的数据被判别器判断为真的概率越小越好，用1-prob_artist即越大越好，总体加个负号，即为符合loss函数越小越好的特性了
G_loss = tf.reduce_mean(tf.log(1-prob_artist1))
#生成的曲线被判别成假的的概率越小越好

初始状态：