GAN-生成式對抗網絡（keras實現）

生成式對抗網絡（GAN, Generative Adversarial Networks ）是一種深度學習模型，是最近超級火的一個無監督學習方法，它主要由兩部分組成，一部分是生成模型G（generator），另一部分是判別模型D（discriminator），它的訓練過程可大致描述如下：

生成模型通過接收一個隨機噪聲來生成圖片，判別模型用來判斷這個圖片是不是“真實的”，也就是說，生成網絡的目標是盡量生成真實的圖片去欺騙判別網絡，判別網絡的目標就是把G生成的圖片和真實的圖片區分開來，從而構成一個動態的博弈過程。

GAN主要用來解決的問題是：在數據量不足的情況下，通過小型數據集去生成一些數據

從理論上來說，GAN系列神經網絡可以用來模擬任何數據分布，但是目前更主要用於圖像。

而事實也證明，GAN生成的數據是可以直接用在實際的圖像問題上的，如行人重識別數據集，細粒度識別等。

 

 

 （GAN的網絡結構及訓練流程）

下面是用keras實現的GAN：

from __future__ import print_function, division

from keras.datasets import mnist
from keras.layers import Input, Dense, Reshape, Flatten, Dropout
from keras.layers import BatchNormalization, Activation, ZeroPadding2D
from keras.layers.advanced_activations import LeakyReLU
from keras.layers.convolutional import UpSampling2D, Conv2D
from keras.models import Sequential, Model
from keras.optimizers import Adam

import matplotlib.pyplot as plt

import sys

import numpy as np

class GAN():
    def __init__(self):
        # 定義輸入圖像尺寸及通道
        self.img_rows = 28
        self.img_cols = 28
        self.channels = 1
        self.img_shape = (self.img_rows, self.img_cols, self.channels)
        self.latent_dim = 100

        # 設置網絡優化器
        optimizer = Adam(0.0002, 0.5)

        # 構建判別網絡
        self.discriminator = self.build_discriminator()
        self.discriminator.compile(loss='binary_crossentropy',
            optimizer=optimizer,
            metrics=['accuracy'])

        # 構建生成網絡
        self.generator = self.build_generator()

        # 生成器根據噪聲生成圖像
        z = Input(shape=(self.latent_dim,))
        img = self.generator(z)

        # 在聯合模型中，設置判別器參數不可訓練
        self.discriminator.trainable = False

        # 判別器驗證生成圖像
        validity = self.discriminator(img)

        # 訓練生成器來欺騙判別器
        self.combined = Model(z, validity)
        self.combined.compile(loss='binary_crossentropy', optimizer=optimizer)


    # 生成器結構
    def build_generator(self):

        model = Sequential()

        model.add(Dense(256, input_dim=self.latent_dim))
        model.add(LeakyReLU(alpha=0.2))
        model.add(BatchNormalization(momentum=0.8))
        model.add(Dense(512))
        model.add(LeakyReLU(alpha=0.2))
        model.add(BatchNormalization(momentum=0.8))
        model.add(Dense(1024))
        model.add(LeakyReLU(alpha=0.2))
        model.add(BatchNormalization(momentum=0.8))
        model.add(Dense(np.prod(self.img_shape), activation='tanh'))
        model.add(Reshape(self.img_shape))

        model.summary()

        noise = Input(shape=(self.latent_dim,))
        img = model(noise)

        return Model(noise, img)

    # 判別器結構
    def build_discriminator(self):

        model = Sequential()

        model.add(Flatten(input_shape=self.img_shape))
        model.add(Dense(512))
        model.add(LeakyReLU(alpha=0.2))
        model.add(Dense(256))
        model.add(LeakyReLU(alpha=0.2))
        model.add(Dense(1, activation='sigmoid'))
        model.summary()

        img = Input(shape=self.img_shape)
        validity = model(img)

        return Model(img, validity)

    # 定義訓練過程
    def train(self, epochs, batch_size=128, sample_interval=50):
        (X_train, _), (_, _) = mnist.load_data()

        X_train = X_train / 127.5 - 1.
        X_train = np.expand_dims(X_train, axis=3)

        valid = np.ones((batch_size, 1))
        fake = np.zeros((batch_size, 1))

        for epoch in range(epochs):

            idx = np.random.randint(0, X_train.shape[0], batch_size)
            imgs = X_train[idx]

            noise = np.random.normal(0, 1, (batch_size, self.latent_dim))

            gen_imgs = self.generator.predict(noise)

            d_loss_real = self.discriminator.train_on_batch(imgs, valid)
            d_loss_fake = self.discriminator.train_on_batch(gen_imgs, fake)
            d_loss = 0.5 * np.add(d_loss_real, d_loss_fake)

            noise = np.random.normal(0, 1, (batch_size, self.latent_dim))

            # 根據判別器valid訓練生成器
            g_loss = self.combined.train_on_batch(noise, valid)

            print ("%d [D loss: %f, acc.: %.2f%%] [G loss: %f]" % (epoch, d_loss[0], 100*d_loss[1], g_loss))

            # 保存生成圖像
            if epoch % sample_interval == 0:
                self.sample_images(epoch)

    def sample_images(self, epoch):
        r, c = 5, 5
        noise = np.random.normal(0, 1, (r * c, self.latent_dim))
        gen_imgs = self.generator.predict(noise)

        gen_imgs = 0.5 * gen_imgs + 0.5

        fig, axs = plt.subplots(r, c)
        cnt = 0
        for i in range(r):
            for j in range(c):
                axs[i,j].imshow(gen_imgs[cnt, :,:,0], cmap='gray')
                axs[i,j].axis('off')
                cnt += 1
        fig.savefig("images/%d.png" % epoch)
        plt.close()


if __name__ == '__main__':
    gan = GAN()
    gan.train(epochs=30000, batch_size=32, sample_interval=200)

程序初始運行結果如下：

 

 訓練完成后效果如下：