MATLAB生成对抗网络系列（11种，对抗自编码器，辅助分类生成对抗网络，条件生成对抗网络，Pix-to-Pix等）

最新推荐文章于 2025-07-19 15:40:55 发布

原创

最新推荐文章于 2025-07-19 15:40:55 发布 · 1.9k 阅读

23 ·

CC 4.0 BY-SA版权

文章标签：

#生成对抗网络 #人工智能 #神经网络

完整代码下载链接

🍞正在为您运送作品详情

因为之前用生成对抗网络及众多变体生成诸如心电信号，肌电信号，脑电信号，微震信号，机械振动信号，雷达信号等，但生成的信号在频谱或者时频谱上表现很差，所以暂时先不涉及到这些复杂信号，仅仅以手写数字图像为例进行说明，因为Python相关的资源太多了，我就不凑热闹了，使用的编程环境为MALAB R2021B。

首先看一下对抗自编码器AAE(Adversarial AutoEncoder)，关于AAE的大致理解，可以查看如下文章

AAE(Adversarial Autoencoders)浅解 - 嘎嘎小鱼仔的文章 - 知乎 AAE(Adversarial Autoencoders)浅解 - 知乎

AAE根据变分自编码器VAE发展而来，其发展之处就在于加入了对抗的思想。

上半部分就是一个简单典型的自编码器AE结构，包含输入层input layer，编码层encoder layer, 隐层hidden layer, 解码层decoder layer , 输出层output layer。encoder把真实分布x映射为隐层z, decoder 再将z解码还原成x。AAE的特点就在于在隐层hidden layer中引入了对抗的思想来优化隐层的z，判别器discriminator 需要在隐层判断采样后的真实数据和生成器encoder所产生的假数据。因此discriminator的目的就是使得q(z | x) 不断向p(z)靠近。

Adversarial Autoencoders论文链接：https://arxiv.org/abs/1511.0564

下面直接上代码

首先，导入相关的mnist手写数字图

load('mnistAll.mat')

然后对训练、测试图像进行预处理

trainX = preprocess(mnist.train_images); 
trainY = mnist.train_labels;%训练标签
testX = preprocess(mnist.test_images); 
testY = mnist.test_labels;%测试标签

preprocess为归一化函数，如下

function x = preprocess(x)
x = double(x)/255;
x = (x-.5)/.5;
x = reshape(x,28*28,[]);
end

然后进行参数设置，包括潜变量空间维度，batch_size大小，学习率，最大迭代次数等等

settings.latent_dim = 10;
settings.batch_size = 32; settings.image_size = [28,28,1]; 
settings.lrD = 0.0002; settings.lrG = 0.0002; settings.beta1 = 0.5;
settings.beta2 = 0.999; settings.maxepochs = 50;

下面进行编码器初始化，代码还是很容易看懂的