利用生成对抗网络进行图像生成与卷积层技术解析

### 利用生成对抗网络进行图像生成与卷积层技术解析 #### 1. 生成对抗网络生成服装图像 首先对生成器 G 进行修改，将其前三层的输出数量分别设置为 1000、500 和 200，替代原来的 1024、512 和 256，同时要确保修改后的生成器与修改后的判别器的层结构相匹配。 在损失函数方面，由于判别器 D 进行的是二分类问题，所以使用二元交叉熵损失函数。并且为判别器和生成器都使用 Adam 优化器，学习率设置为 0.0001，代码如下： ```python loss_fn=nn.BCELoss() lr=0.0001 optimD=torch.optim.Adam(D.parameters(),lr=lr) optimG=torch.optim.Adam(G.parameters(),lr=lr) ``` 接着利用训练数据集中的服装图像来训练刚创建的生成对抗网络（GANs）。训练过程与之前训练 GANs 生成指数增长曲线或生成 5 的倍数序列类似。不过，这里主要依靠视觉检查来判断模型是否训练良好，为此定义了 `see_output()` 函数，用于定期可视化生成器创建的虚假图像。 ```python import matplotlib.pyplot as plt def see_output(): noise=torch.randn(32,100).to(device=device) fake_samples=G(noise).cpu().detach() plt.figure(dpi=100,figsize=(20,10)) for i in range(32): ax=plt.subplot(4, 8, i + 1) img=(fake_samples[i]/2+0.5).reshape(28, 28) plt.imshow(img) plt.xticks([]) plt.yticks([]) plt.show() ``` 在运行上述代码后，会看到 32 张类似电视雪花静态的图像，这是因为还未对生成器进行训练。 为了训练 GAN 模型，定义了几个函数：`train_D_on_real()`、`train_D_on_fake()` 和 `train_G()`。训练模型时，会遍历训练数据集中的所有批次。对于每一批数据，先使用真实样本训练判别器，然后生成器创建一批虚假样本，再次用这些虚假样本训练判别器，最后再让生成器创建一批虚假样本，这次用它们来训练生成器。模型将训练 50 个周期，代码如下： ```python for i in range(50): gloss=0 dloss=0 for n, (real_samples,_) in enumerate(train_loader): loss_D=train_D_on_real(real_samples) dloss+=loss_D loss_D=train_D_on_fake() dloss+=loss_D loss_G=train_G() gloss+=loss_G gloss=gloss/n dloss=dloss/n if i % 10 == 9: print(f"at epoch {i+1}, dloss: {dloss}, gloss {gloss}") see_output() ``` 如果使用 GPU 训练，大约需要 10 分钟；否则，根据计算机硬件配置，可能需要一个小时左右。也可以从网站（https://gattonweb.uky.edu/faculty/lium/gai/fashion_gen.zip）下载训练好的模型，下载后解压。 每训练 10 个周期，就可以可视化生成的服装图像。经过 10 个周期的训练，模型已经能够生成看起来像真实服装的图像，随着训练的进行，生成图像的质量会越来越好。 训练完成后，丢弃判别器，保存训练好的生成器，以便后续生成样本： ```python scripted = torch.jit.script(G) scripted.save('files/fashion_gen.pt') ``` 要使用生成器，加载模型： ```python new_G=torch.jit.load('files/fashion_gen.pt', map_location=device) new_G.eval() ``` 然后就可以用它来生成服装图像： ```python noise=torch ```