共计 5327 个字符，预计需要花费 14 分钟才能阅读完成。
【技术博客】GAN 入门实际
作者：梅昊铭
1. 原理介绍
GAN 全称是 Generative Adversarial Network，即生成反抗网络。Generative 学习一个生成式模型；Adversarial 应用反抗的办法训练；Networks 应用神经网络。GAN 模型是一种 通过反抗的形式去学习数据分布 的生成式模型 ，其核心思想就是通过 生成式网络 G （Generator）和 判断网络 D （Discriminator）一直博弈，来达到生成真数据的目标。
Ge
GAN 的思维启发自博弈论中的零和游戏，蕴含一个生成网络 G 和一个判断网络 D：
- G 是一个生成式的网络，它接管一个随机的噪声 Z，通过 Generator 生成假数据
- D 是一个判断网络，判断输出数据的真实性。它的输出是 X，输入 D(X)代表 X 为实在数据的概率
- 训练过程中，生成网络 G 的指标是尽量生成实在的数据去坑骗判断网络 D。而 D 的指标就是尽量分别出 G 生成的假数据和真数据。这个博弈过程最终的平衡点是纳什均衡点
2. 入门实际
2.1 筹备工作
本教程利用 Pytorch 来搭建一个简略 GAN 网络来生成 MINIST 数据。试验中采纳的本地环境配置为 python == 3.7.7，torch.__version__==1.6.1。采纳的线上人工智能建模平台是 Mo。请在试验前配置好本地的 Python 环境，或者间接应用线上平台。
我的项目地址：https://momodel.cn/workspace/5f8914daed01547e8804ede7/app
2.2 GAN 网络的 Pytorch 实现
2.2.1 预处理阶段
首先，咱们导入相应的 Python 包，并配置试验的设施环境。
# 导包
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.autograd import Variable
from torchvision.utils import save_image
# 设施配置
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')2.2.2 MINIST 数据集
加载 MINIST 数据集，同时做 transform 预处理。
bs = 128
# 加（下）载 MNIST 数据集
transform = transforms.Compose([transforms.ToTensor(),
transforms.Normalize(mean=(0.5,), std=(0.5,))])
train_dataset = datasets.MNIST(root='./mnist_data/', train=True, transform=transform, download=True)
test_dataset = datasets.MNIST(root='./mnist_data/', train=False, transform=transform, download=False)
# Data Loader
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=bs, shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=bs, shuffle=False)2.2.3 生成器
定义生成器 G 类, 该生成器由四个全连贯层组成；此处亦可应用卷积层、池化层、BatchNormalize 层等创立判断器，留神输入输出的向量维度即可。
class Generator(nn.Module):
# 生成器由四个全连贯层组成
def __init__(self, g_input_dim, g_output_dim):
super(Generator, self).__init__()
self.fc1 = nn.Linear(g_input_dim, 256)
self.fc2 = nn.Linear(self.fc1.out_features, self.fc1.out_features*2)
self.fc3 = nn.Linear(self.fc2.out_features, self.fc2.out_features*2)
self.fc4 = nn.Linear(self.fc3.out_features, g_output_dim)
# 定义前向流传
def forward(self, x):
x = F.leaky_relu(self.fc1(x), 0.2)
x = F.leaky_relu(self.fc2(x), 0.2)
x = F.leaky_relu(self.fc3(x), 0.2)
return torch.tanh(self.fc4(x))2.2.4 判断器
定义判断器 D 类，该判断器由四个全连贯组成；同理，此处也可采纳卷积池化层来创立判断器，读者可自行尝试。
class Discriminator(nn.Module):
# 判断器由四个全连贯层组成
def __init__(self, d_input_dim):
super(Discriminator, self).__init__()
self.fc1 = nn.Linear(d_input_dim, 1024)
self.fc2 = nn.Linear(self.fc1.out_features, self.fc1.out_features//2)
self.fc3 = nn.Linear(self.fc2.out_features, self.fc2.out_features//2)
self.fc4 = nn.Linear(self.fc3.out_features, 1)
# 定义前向流传
def forward(self, x):
x = F.leaky_relu(self.fc1(x), 0.2)
x = F.dropout(x, 0.3)
x = F.leaky_relu(self.fc2(x), 0.2)
x = F.dropout(x, 0.3)
x = F.leaky_relu(self.fc3(x), 0.2)
x = F.dropout(x, 0.3)
return torch.sigmoid(self.fc4(x))2.2.4 创立实例
利用上述定义好的生成器、判断器类，创立生成器和判断器实例。
# 噪声维度
z_dim = 100
# train_data.size(): (-1, 28, 28)
mnist_dim = train_dataset.train_data.size(1) * train_dataset.train_data.size(2)
G = Generator(g_input_dim = z_dim, g_output_dim = mnist_dim).to(device)
D = Discriminator(mnist_dim).to(device)2.2.5 反抗生成训练
在训练模型之前，咱们须要先确定的损失函数和优化器，这里采纳 穿插熵 作为损失函数，应用 Adam 优化器。
# 定义穿插熵损失函数
criterion = nn.BCELoss()
# 定义优化器
lr = 0.0002
G_optimizer = optim.Adam(G.parameters(), lr = lr)
D_optimizer = optim.Adam(D.parameters(), lr = lr)定义判断器的训练过程。判断器的训练过程由两局部组成，一部分为实在数据产生的 Loss，一部分为反抗样本产生的数据。咱们心愿判断器 D 可能精确地区分出实在数据和反抗样本。所以咱们将 实在数据 的标签设置为 1 ，反抗样本 的标签设置为 0 ，别离计算两局部的 Loss，求和作为判断器的 Loss 并优化。
def D_train(x):
# ================================================================== #
# 训练判断模型 #
# ================================================================== #
D.zero_grad()
# 实在数据，标签为 1
x_real, y_real = x.view(-1, mnist_dim), torch.ones(bs, 1)
x_real, y_real = Variable(x_real.to(device)), Variable(y_real.to(device))
# 计算 real_损失
# 应用公式 BCE_Loss(x, y): - y * log(D(x)) - (1-y) * log(1 - D(x))，来计算 realimage 的判断损失
# 其中第二项永远为零，因为 real_labels == 1
D_output = D(x_real)
D_real_loss = criterion(D_output, y_real)
D_real_score = D_output
# 在反抗样本，标签为 0
z = Variable(torch.randn(bs, z_dim).to(device))
# 生成模型依据随机输出生成 fake_images（反抗样本）x_fake, y_fake = G(z), Variable(torch.zeros(bs, 1).to(device))
# 应用公式 BCE_Loss(x, y): - y * log(D(x)) - (1-y) * log(1 - D(x))，来计算 fakeImage 的判断损失
# 其中第二项永远为零，因为 fake_labels == 0
D_output = D(x_fake)
D_fake_loss = criterion(D_output, y_fake)
D_fake_score = D_output
# 反向流传和优化
D_loss = D_real_loss + D_fake_loss
D_loss.backward()
D_optimizer.step()
return D_loss.data.item()定义生成器的训练过程。首先由生成器 G，产生一个 反抗样本 z 。咱们心愿判断器 D 对该样本的是判断后果 D(z) = 1, 所以这里咱们将 z 的标签设置为 1 ，计算生成器的 Loss 并优化。
def G_train(x):
# ================================================================== #
# 训练生成模型 #
# ================================================================== #
G.zero_grad()
# 生成模型依据随机输出生成 fake_images（标签为 1）, 而后判断模型进行判断
z = Variable(torch.randn(bs, z_dim).to(device))
y = Variable(torch.ones(bs, 1).to(device))
G_output = G(z)
D_output = D(G_output)
G_loss = criterion(D_output, y)
# 反向流传和优化
G_loss.backward()
G_optimizer.step()
return G_loss.data.item()2.2.6 模型训练
具体的训练过程为，先训练一次判断器 D，再训练一次生成器 G ，而后循环。
n_epoch = 10
loss_file = open("loss.txt", 'w')
for epoch in range(1, n_epoch+1):
D_losses, G_losses = [], []
for batch_idx, (x, _) in enumerate(train_loader):
# 抛弃不满整个 batch_size 的数据
if(len(x) != bs):
continue
D_losses.append(D_train(x))
G_losses.append(G_train(x))
loss_file.write('[{}/{}]: loss_d: {:.3f}, loss_g: {:.3f}\n'.format((epoch), n_epoch, torch.mean(torch.FloatTensor(D_losses)), torch.mean(torch.FloatTensor(G_losses))))
loss_file.close()3. 参考资料
- Goodfellow, Ian, et al. “Generative Adversarial Networks”: https://arxiv.org/pdf/1406.2661.pdf
- Github 我的项目：https://github.com/lyeoni/pytorch-mnist-GAN
- 博客：https://shenxiaohai.me/2018/10/20/pytorch-tutorial-advanced-01/
- Pytorch 文档：https://pytorch.apachecn.org/
正文完