生成对抗网络的生成器，gan生成对抗网络应用
chanong
|来源：AI有道
本文长约2820字，建议12分钟。
在这篇文章中，我们将向大家介绍生成对抗网络（GAN），并用最容易理解的术语进行解释，最后实现一个简单的GAN 程序，帮助大家更好地理解它。
什么是癌症？
GAN非常强大，但是它的模型结构是什么呢？我们之前学**的机器学**或者神经网络模型主要可以做两件事。这是我们都熟悉的预测和分类。那么，机械模型能否自动生成图像和声音呢？并且通过调整不同模型的输入向量，我们可以获得特定的图像和声音。例如，您可以调整输入参数以获得红发蓝眼的脸部，也可以调整输入参数以获得女性音频片段。换句话说，这样的机器模型可以根据需求自动生成所需要的东西。这就是GAN 诞生的地方！
GAN（生成对抗网络）主要由两个模块组成。
生成器（生成模型）和判别器模型（判别模型）互相玩游戏，学**产生非常好的输出。以摄影为例，生成器的主要任务是学**一组真实图像，使其生成的图像接近真实图像并“欺骗”鉴别器。判别器的主要任务是找到生成器产生的图像，将它们与真实图像区分开来，并判断它们是真还是假。在整个迭代过程中，生成器不断努力使生成的图像越来越真实，而鉴别器则不断努力识别图像的真实性。这类似于生成器和判别器之间的游戏。最终，通过反复迭代，两者会达到平衡。生成器产生的图像将非常接近真实图像，但鉴别器将难以识别真假图像之间的差异。表现是判别器对于真假照片的概率输出接近0.5。
对GAN 的概念还有点困惑吗？没关系。请举一个生动的例子来解释。
最近在看黄老师的画，想画一些类似的东西，所以就想学美术。范主的照片是这样的。
我只是想画画，所以我请了研究黄教授多年作品的王教授来教我。王教授经验丰富，洞察力敏锐，即使是模仿扇子大师的商业画也逃不过他的洞察力。王教授对我说： “如果你的照片能骗过我，就算你成功了。”
我很兴奋，立刻画了这张图给王教授。
王教授淡淡一笑，满脸黑线，气得浑身发抖。 “0分！这也是一幅画吗？太不一样了！”听到王教授的话，我开始反思自己。嗯，我绝对不擅长画画，地上没有眼睛鼻子。于是我又画了一张。
王教授见状，两秒内就吐出了四个字。 1分。重画！当我觉得还是不行或者画得太烂的时候，我又研究了范老师的画风，不断改进、再创作，有一天我给王老师看了一幅新画。
王教授看到了，说有点像。我需要仔细看看。最后我还是说：“不行不行，细节太差了！”继续重新绘制。哎哟，王教授越来越严格了！我叹了口气，回去继续研究，最后把那张非常满意的画交给了王教授看。
这时，王教授戴上眼镜，仔细地分析了一下，过了一会儿，王教授拍拍我的肩膀说：“画得真好，真假难辨。” ” 塔。哈哈，我很高兴，因为得到了王老师的赞扬和肯定，我感觉自己终于可以像黄老师一样画画了。下一步是考虑换工作。
好的，例子就是这样（我会接受你对我绘画天赋的抱怨）。这个例子实际上是一个GAN的训练过程。我是一个生成器，我的目的是输出一张可以欺骗王教授的图片，让王教授难以辨别真假。王教授是一个鉴别器，他的目的就是鉴别我的画，判断它是不是赝品。整个过程就是一个“生成器对决”的游戏过程，最终我（生成器）会输出一张“假与真”的图片，连王教授（识别者）都难以辨别。
这就是甘。
GAN模型的基本结构
在了解GAN模型之前，我们先来看看Yann LeCun对未来深度学**关键技术进展的个人看法。
在我看来，最重要的是对抗训练（也称为生成对抗网络的GAN）。这是Ian Goodfellow 最初提出的想法，当时他还是蒙特利尔大学Yoshua Bengio 的学生（后来转到了Google Brain，最近转到了OpenAI）。
在我看来，这个以及当前提出的变体是过去十年中机器学**领域最有趣的想法。
Yann LeCun 认为，GAN 很可能会给深度学**模型带来又一个重大突破，是过去20 年来机器学**领域最酷的想法。 GAN 近年来发展非常强劲。下图显示了最近提交给ICASSP 会议的所有论文中包含“生成”、“对抗性”和“强化”关键词的论文数量。
数据显示，2018年，包含“生成”和“对抗性”关键词的论文数量急剧增加。不难预见，未来几年将会有更多关于GAN 的论文。
我们先介绍一下GAN的基本结构，我们已经知道GAN由生成器和判别器组成，分别记为G和D。以图像生成应用为例，其模型结构如下：
基本的GAN 模型由输入向量、G 网络和D 网络组成。其中，G和D一般由神经网络组成。 G 的输出是图像，但采用全连接格式。 G的输出是D的输入，其中也包含实际的样本集。这样，D尝试为真实样本输出较高的分数，为G生成的样本输出较低的分数。在循环的每次迭代中，G网络不断优化网络参数，使得D不再能区分真假，但D网络也不断优化网络参数以提高识别能力，这就造成了网络参数之间的差距。真样本分数和假样本分数。
经过多次训练迭代，最终建立了GAN模型。
最终的GAN模型中，G生成的样本有假有真，D输出的分数接近0.5，因此很难区分真假样本，训练成功。
这里我们将解释输入向量。输入向量是用来做什么的？实际上，输入向量的每个维度都可以代表输出图像的特定特征。例如，您可以输入向量第一维的值来调整生成图像中的头发颜色。值越高，颜色越红；值越低，颜色越黑。您可以通过在向量的第二维中输入值来调整肤色。通过输入生成的图像矢量，您可以使用3D 值调整生成图像的面部表情和情绪。
这就是GAN的强大之处；通过调整输入向量，可以生成具有各种特征的图像。这些生成的图像不是实际样本集的一部分，而是合理但看不见的图像。是不是很有趣？下图显示不同的向量产生不同的图像。
解释完GAN模型，我们来快速了解一下GAN的算法原理。由于有G和D两个模块，每个模块都有对应的网络参数。
我们先来看D模块，它的目标是让实际样本得分尽可能大，而G产生的样本得分尽可能小。 D的损失函数可以如下获得。
其中，x为实际样本，G(z)为G生成的样本。我们希望D(x) 更大，并且我们希望D(G(z)) 更小。也就是说，我们希望-D(x)尽可能小，并且-log(1-D(G(z)))越小越好。从损失函数的角度来看，我们得到上面的公式。
再看看G模块，它的目标是希望自己生产的模型能够在D上取得更高的分数。则G的损失函数可得：
一旦了解了损失函数，您就可以使用各种优化算法来训练模型。
创建GAN 模型
接下来，使用PyTorch 实现一个简单的GAN 模型。作为创建绘画的示例，假设您创建了以下“名画”（以正弦图为例）。
生成这幅“艺术画”的代码是：
def Artist_works(): # 著名艺术家的画作（实际目标）
r=0.02 * np.random.randn(1, ART_COMPONENTS)
绘画=np.sin(PAINT_POINTS * np.pi) + r
绘画=torch.from_numpy(painting).float()
归还画作
接下来，我们分别定义G网络模型和D网络模型。
G=nn.Sequential( # 生成器
nn.Linear(N_IDEAS, 128)，随机想法的数量（可能来自正态分布）
ReLU(),
nn.Linear(128, ART_COMPONENTS), # 根据这些随机想法创作绘画
）
D=nn.Sequential( # 标识符
nn.Linear(ART_COMPONENTS, 128), # 接收来自著名艺术家或像G 这样的初学者的艺术作品
ReLU(),
nn.线性(128, 1),
nn.Sigmoid(), # 告诉艺术品是由艺术家创作的概率
）
设置Adam 算法进行优化。
opt_D=torch.optim.Adam(D.parameters(), lr=LR_D)
opt_G=torch.optim.Adam(G.parameters(), lr=LR_G)
最后，我们构建了一个GAN迭代训练流程。
plt.ion() # 关于连续图的一些事情
D_loss_history=[]
G_loss_history=[]
对于(10000): 范围内的步长
Artist_paintings=Artist_works() # 艺术家的真实画作
G_ideas=torch.randn(BATCH_SIZE, N_IDEAS) # 随机想法
G_paintings=G(G_ideas) # G 的假画（随机想法）
prob_artist0=D(artist_paintings) # D 让我们增加这个概率
prob_artist1=D(G_paintings) # D 让我们尝试降低这个概率
D_loss=- torch.mean(torch.log(prob_artist0) + torch.log(1. - prob_artist1))
G_loss=torch.mean(torch.log(1.-prob_artist1))
D_loss_history.append(D_loss)
G_loss_history.append(G_loss)
opt_D.zero_grad()
D_loss.backward(retain_graph=True) # 重用计算图
opt_D.step()
opt_G.zero_grad()
G_loss.backward()
opt_G.step()
if 步骤% 50==0: # 绘图
plt.cla()
plt.plot(PAINT_POINTS[0], G_paintings.data.numpy()[0], c='#4AD631', lw=3, label='生成的油漆',)
plt.plot(PAINT_POINTS[0], np.sin(PAINT_POINTS[0] * np.pi), c='#74BCFF', lw=3, label='标准曲线')
plt.text(-1, 0.75, 'D 精度=%.2f (D 收敛为0.5)' % prob_artist0.data.numpy().mean(), fontdict={'size': 8})
plt.text(-1, 0.5, 'D 分数=%.2f (-1.38 表示G 收敛)' % -D_loss.data.numpy(), fontdict={'size': 8})
plt.ylim((-1, 1));plt.legend(loc='右下角', fontsize=10);plt.draw();plt.pause(0.01)
plt.ioff()
plt.show()
我们使用动态绘图，以便更容易地不断观察GAN 模型的训练状态。
如果迭代次数为1：
如果迭代次数为200：
如果迭代次数为1000：
如果迭代次数为10000：
完美！经过10,000 次训练迭代后，生成的曲线非常接近标准曲线。正如预期，D 的分数接近0.5。
完整的代码有.py 和.ipynb 版本，可以通过搜索下面的链接找到。
https://github.com/RedstoneWill/MachineLearningInAction/tree/master/GAN