[深度学习] 生成对抗网络GAN

最新推荐文章于 2025-07-11 17:28:24 发布

藓类少女

最新推荐文章于 2025-07-11 17:28:24 发布

阅读量1.7k

点赞数 17

CC 4.0 BY-SA版权

分类专栏：深度学习文章标签：深度学习生成对抗网络人工智能

本文链接：https://blog.csdn.net/a13545564067/article/details/139984448

生成对抗网络（Generative Adversarial Networks，GANs）是一种由 Ian Goodfellow 等人在2014年提出的深度学习模型Generative Adversarial Networks。GANs的基本思想是通过两个神经网络（生成器和判别器）的对抗过程，生成与真实数据分布相似的新数据。以下是对GANs的详细介绍。

1. 基本结构

GANs由两个主要组件构成：

1.1 生成器（Generator）

生成器的任务是从一个随机噪声（通常是高斯噪声）中生成逼真的数据样本。生成器是一个神经网络，它接受一个随机向量作为输入，并输出一个与真实数据分布相似的样本。目标是欺骗判别器，使其认为生成的数据是真实的。

1.2 判别器（Discriminator）

判别器是另一个神经网络，用于区分真实数据和生成器生成的假数据。它的输入是一个数据样本，输出是一个标量值，表示输入数据是真实的概率。判别器的目标是最大化区分真实数据和生成数据的准确性。

2. 工作原理

GANs通过生成器和判别器的对抗训练来实现目标。训练过程中，两者的目标是相反的：

生成器试图最大限度地欺骗判别器，使其无法区分生成数据和真实数据。
判别器则尽量提高区分真实数据和生成数据的能力。

这种对抗训练可以形式化为一个极小极大（minimax）问题：

在这里插入图片描述
其中，D(x) 是判别器对真实数据 x 的输出， G(z) 是生成器对随机噪声 z 的输出。

3. 训练过程

初始化：随机初始化生成器和判别器的参数。
训练判别器：在固定生成器的情况下，用一批真实数据和生成数据训练判别器，更新判别器的参数。
训练生成器：在固定判别器的情况下，用生成器生成的假数据训练生成器，更新生成器的参数。
循环：重复上述步骤，直到生成器生成的数据足够逼真。

下面是一个使用TensorFlow和Keras实现简单生成对抗网络（GAN）的示例代码。该代码使用MNIST手写数字数据集来训练生成器生成类似手写数字的图像。

import tensorflow as tf
from tensorflow.keras import layers, models
import numpy as np
import matplotlib.pyplot as plt

# 加载MNIST数据集
(train_images, _), (_, _) = tf.keras.datasets.mnist.load_data()
train_images = train_images.reshape(train_images.shape[0], 28, 28, 1).astype('float32')
train_images = (train_images - 127.5) / 127.5  # 将图像标准化到 [-1, 1] 区间
BUFFER_SIZE = 60000
BATCH_SIZE = 256

# 创建数据集
train_dataset = tf.data.Dataset.from_tensor_slices(train_images).shuffle(BUFFER_SIZE).batch(BATCH_SIZE)

# 生成器模型
def make_generator_model():
    model = models.Sequential()
    model.add(layers.Dense(7*7*256, use_bias=False, input_shape=(100,)))
    model.add(layers.BatchNormalization())
    model.add(layers.LeakyReLU())

    model.add(layers.Reshape