GAN（生成对抗神经网络）生成MNIST 基于pytorch实现

运行环境

pytorch1.3.0

简介

生成对抗神经网络分为两部分：生成器

鉴别器

生成器

把一个满足高斯分布的向量映射为一个784维度的向量，期望这个784维度的向量就是我们要的图片。对于生成器的监督训练主要是靠鉴别器。

鉴别器

是一个二分类模型，输入是图片向量，输出：这张图是真图的概率。

训练数据有两种：真图、假图（生成器生成的）

真图对应的label是1、假图对应的label是0

补充

从0.4起， Variable 正式合并入Tensor类，通过Variable嵌套实现的自动微分功能已经整合进入了Tensor类中。虽然为了代码的兼容性还是可以使用Variable(tensor)这种方式进行嵌套，但是这个操作其实什么都没做。

运行方法：把程序粘贴下来保存为 xx.py ，然后最好把xx.py放在一个空的文件夹里面，python装好需要的包，就可以运行了

运行后程序会自动再生成两个文件夹，总体长这个样子

本程序数据集会自动下载，如果慢可以使用迅雷下载下来然后放到指定的地方（data\MNIST\raw）。

代码

import torch
import torch.nn as nn
import torchvision
import torch.nn.functional as F
from torchvision import datasets
from torchvision import transforms
from torchvision.utils import save_image
from torch.autograd import Variable
import os#超参数
batch_size = 128
num_epoch = 500
z_dimention = 100
d_optimizer_lr=0.0001
g_optimizer_lr=0.0001
use_gpu=Trueclass discriminator(nn.Module):  #784长度向量 -> (0,1)def __init__(self):super(discriminator, self).__init__()self.dis = nn.Sequential(nn.Linear(784, 256),nn.LeakyReLU(0.2),nn.Linear(256, 256),nn.LeakyReLU(0.2),nn.Linear(256, 1),nn.Sigmoid())def forward(self, x):x = self.dis(x)return xclass generator(nn.Module):  # 100长度向量 -> 784长度向量def __init__(self):super(generator, self).__init__()self.gen = nn.Sequential(nn.Linear(100, 256),nn.ReLU(True),nn.Linear(256, 256),nn.ReLU(True),nn.Linear(256, 784),nn.Tanh())def forward(self, x):x = self.gen(x)return x#784向量 -> 1*28*28
def to_img(x):out = 0.5 * (x + 1)out = out.clamp(0, 1)out = out.view(-1, 1, 28, 28)return outimg_transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5,), (0.5,))
])mnist = datasets.MNIST(root='./data/', train=True, transform=img_transform, download=True
)dataloader = torch.utils.data.DataLoader(dataset=mnist, batch_size=batch_size,shuffle=True,drop_last=True
)if __name__=='__main__':if not os.path.exists('./img'):os.mkdir('./img')D = discriminator()G = generator()criterion = nn.BCELoss()  # 二分类的交叉熵d_optimizer = torch.optim.Adam(D.parameters(), lr=d_optimizer_lr)g_optimizer = torch.optim.Adam(G.parameters(), lr=g_optimizer_lr)z=torch.FloatTensor(batch_size,z_dimention)if use_gpu:D = D.cuda()G = G.cuda()z = z.cuda()for epoch in range(num_epoch):for i, (img, _) in enumerate(dataloader):img = img.view(batch_size, -1)if use_gpu:real_img = img.cuda()real_label = torch.ones(batch_size).cuda()fake_label = torch.zeros(batch_size).cuda()# =================train discriminatorreal_out = D(real_img)d_loss_real = criterion(real_out, real_label)  # 真实数据对应输出 1real_scores = real_outz.data.normal_(0,1)fake_img1 = G(z)fake_out = D(fake_img1.detach())d_loss_fake = criterion(fake_out, fake_label)fake_scores = fake_outd_loss = d_loss_real + d_loss_faked_optimizer.zero_grad()d_loss.backward()d_optimizer.step()# ===============train generatorz.data.normal_(0,1)fake_img2 = G(z)output = D(fake_img2)g_loss = criterion(output, real_label)g_optimizer.zero_grad()g_loss.backward()g_optimizer.step()if epoch == 0:real_images = to_img(real_img.cpu().data)save_image(real_images, './img/real_images.png')print('Epoch[{}/{}],d_loss:{:.6f},g_loss:{:.6f} D real:{:.6f},D fake:{:.6f}'.format(epoch, num_epoch, d_loss.item(), g_loss.item(), real_scores.data.mean(), fake_scores.data.mean()))fake_images = to_img(fake_img2.cpu().data)save_image(fake_images, './img/fake_images-{}.png'.format(epoch + 1))

实验结果

epoch=0

epoch=10

epoch=100

epoch=200

epoch=500

epoch=2800

GAN（生成对抗神经网络）生成MNIST 基于pytorch实现相关推荐

条件生成对抗神经网络,生成对抗网络gan原理
关于GAN生成式对抗网络中判别器的输出的问题 . ...摘要生成式对抗网络GAN(Generativeadversarialnetworks)目前已经成为人工智能学界一个热门的研究方向.GAN的基本思 ...
清华大学提出基于生成对抗神经网络的自然图像多风格卡通化方法并开源代码
近日,清华大学刘永进教授课题组在 IEEE Transactions on Visualization and Computer Graphics 上发表论文,提出基于生成对抗神经网络的自然图像多风格 ...
赠书 | 读懂生成对抗神经网络 GAN，看这文就够了
生成对抗神经网络(Generative Adversarial Nets,GAN)是一种深度学习的框架,它是通过一个相互对抗的过程来完成模型训练的.典型的GAN包含两个部分,一个是生成模型(Gener ...
清华大学提出基于生成对抗神经网络的自然图像多风格卡通化方法并开源代码...
近日,清华大学刘永进教授课题组在 IEEE Transactions on Visualization and Computer Graphics 上发表论文,提出基于生成对抗神经网络的自然图像多风格 ...
【万物皆可 GAN】生成对抗网络生成手写数字 Part 1
[万物皆可 GAN]生成对抗网络生成手写数字 Part 1 概述 GAN 网络结构 GAN 训练流程模型详解生成器判别器概述 GAN (Generative Adversarial Netwo ...
pytorch生成对抗网络生成动漫图像
代码地址:pytorch实战,使用生成对抗网络生成动漫图像 dataset from torchvision import transforms from torch.utils.data impor ...
利用生成对抗网络生成海洋塑料合成图像
问题陈述过去十年来,海洋塑料污染一直是气候问题的首要问题.海洋中的塑料不仅能够通过勒死或饥饿杀死海洋生物,而且也是通过捕获二氧化碳使海洋变暖的一个主要因素. 近年来,非营利组织海洋清洁组织(Ocea ...
生成对抗网络生成多维数据集_生成没有数据集的新颖内容
生成对抗网络生成多维数据集介绍(Introduction) GAN architecture has been the standard for generating content through ...
以FGSM算法为例的对抗训练的实现(基于Pytorch)
如果可以,请点个赞,这是我写博客的动力,谢谢各位观众 1. 前言深度学习虽然发展迅速,但是由于其线性的特性,受到了对抗样本的影响,很容易造成系统功能的失效. 以图像分类为例子,对抗样本很容易使得在测 ...
Pytorch:GAN生成对抗网络实现MNIST手写数字的生成
github:https://github.com/SPECTRELWF/pytorch-GAN-study 个人主页:liuweifeng.top:8090 网络结构最近在疯狂补深度学习一些基本架 ...

GAN（生成对抗神经网络）生成MNIST 基于pytorch实现

运行环境

简介

生成器

鉴别器

补充

代码

实验结果

GAN（生成对抗神经网络）生成MNIST 基于pytorch实现相关推荐

最新文章

热门文章