【神经网络】生成对抗网络GAN

生成对抗网络GAN

欢迎访问Blog总目录！

1.学习链接

Generative Adversarial Networks

生成对抗网络（GAN） - 知乎 (zhihu.com)

深度学习----GAN（生成对抗神经网络）原理解析_gan神经网络-CSDN博客

图解 生成对抗网络GAN 原理 超详解_生成对抗网络gan图解-CSDN博客

2.GAN结构

GAN包含两个模型：

• 生成模型（Generator）:接收随机噪声，生成看起来真实的、与原始数据相似的实例。
• 判别模型（Discrimintor）:判断Generator生成的实例是真实的还是人为伪造的。（真实实例来源于数据集，伪造实例来源于生成模型）

最终得到效果极好的生成模型，其生成的实例真假难辨。

GAN的灵感来源于 “零和博弈” （完全竞争博弈），GAN就是通过生成网络G（Generator）和判别网络D（Discriminator）不断博弈，进而使G学习到数据的分布，即达到纳什均衡。

【纳什均衡】博弈中这样的局面，对于每个参与者来说，只要其他人不改变策略，他就无法改善自己的状况。对于GAN，即生成模型 G 恢复了训练数据的分布（造出了和真实数据一模一样的样本），判别模型D判别不出来结果（乱猜），准确率为 50%（收敛）。这样双方网络利益均最大化，不再改变自己的策略（不再更新自己的权重）。

2.1.生成模型Generator

• 输入： 数据集的某些向量信息，此处使用满足常见分布（高斯分布、均值分布等）的随机向量。
• 输出： 符合像素大小的图片。
• 结构： 全连接神经网络或者反卷积网络。

2.2.判别模型Discrimintor

• 输入： 伪造图片和数据集图片
• 输出： 图片的真伪标签
• 结构： 判别器模型（全连接网络、卷积网络等）
  

2.3.伪代码

3.优缺点

3.1.优势

• GAN采用的是一种无监督的学习方式训练，可以被广泛用在无监督学习和半监督学习领域
• 模型只用到了反向传播,而不需要马尔科夫链

3.2.缺点

• 难以学习离散数据，如文本

4.pytorch GAN

4.1.API

生成对抗网络 - PyTorch官方教程中文版 (panchuang.net)

4.2.GAN的搭建

绘制在upper_bound和lower_bound之间的一元二次方程画

4.2.1.结果

4.2.2.代码

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt

torch.manual_seed(1)    # reproducible
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             # 噪声点个数
ART_COMPONENTS = 15     # 15个Y轴数据点
PAINT_POINTS = np.vstack([np.linspac