一起养成写作习惯！这是我参与「掘金日新计划 · 6 月更文挑战」的第15天，点击查看活动详情。
欢迎关注我的公众号 [极智视界]，获取我的更多笔记分享
大家好，我是极智视界，本文介绍一下 GAN 应用于玻璃表面水珠样本生成的方法。
在分类任务中，若类别数量不平衡，则分类结果会向样本量明显多的类别倾斜，造成分类结果准确率不高。在实际项目中，往往某一类特殊的样本复现程度低，比较难收集，在做分类任务的时候就容易造成样本不均衡的问题。下面使用 pytorch 搭建 GAN 网络进行玻璃表面水珠样本生成。GAN有生成器和判别器两个模型，生成器不断生成样本，判别器来判断生成样本的好坏，并反馈给生成器以调整参数生成更好的样本，目的是迷惑判别器的判断，两者互相博弈，循序渐进，直至平衡。
1 生成器结构
class NetG(nn.Module):
def __init__(self, ngf, nz):
super(NetG, self).__init__()
# layer1 输入的是一个 100x1x1 的随机噪声, 输出尺寸 (ngf*8)x4x4
self.layer1 = nn.Sequential(
nn.ConvTranspose2d(nz, ngf * 8, kernel_size=4, stride=1, padding=0, bias=False),
nn.BatchNorm2d(ngf * 8),
nn.ReLU(inplace=True)
)
# layer2 输出尺寸 (ngf*4)x8x8
self.layer2 = nn.Sequential(
nn.ConvTranspose2d(ngf * 8, ngf * 4, 4, 2, 1, bias=False),
nn.BatchNorm2d(ngf * 4),
nn.ReLU(inplace=True)
) # layer3 输出尺寸 (ngf*2)x16x16
self.layer3 = nn.Sequential(
nn.ConvTranspose2d(ngf * 4, ngf * 2, 4, 2, 1, bias=False),
nn.BatchNorm2d(ngf * 2),
nn.ReLU(inplace=True)
)
# layer4 输出尺寸 (ngf)x32x32
self.layer4 = nn.Sequential(
nn.ConvTranspose2d(ngf * 2, ngf, 4, 2, 1, bias=False),
nn.BatchNorm2d(ngf),
nn.ReLU(inplace=True)
)
# layer5 输出尺寸 3x96x96
self.layer5 = nn.Sequential(
nn.ConvTranspose2d(ngf, 3, 5, 3, 1, bias=False),
nn.Tanh()
)
# 定义 NetG 的前向传播
def forward(self, x):
out = self.layer1(x)
out = self.layer2(out)
out = self.layer3(out)
out = self.layer4(out)
out = self.layer5(out)
return out
2 判别器结构
# 定义鉴别器网络 D
class NetD(nn.Module):
def __init__(self, ndf):
super(NetD, self).__init__() # 对继承自父类的属性进行初始化
# layer1 输入 3 x 96 x 96, 输出 (ndf) x 32 x 32
self.layer1 = nn.Sequential(
nn.Conv2d(3, ndf, kernel_size=5, stride=3, padding=1, bias=False),
nn.BatchNorm2d(ndf),
nn.LeakyReLU(0.2, inplace=True)
)
# layer2 输出 (ndf*2) x 16 x 16
self.layer2 = nn.Sequential(
nn.Conv2d(ndf, ndf * 2, 4, 2, 1, bias=False),
nn.BatchNorm2d(ndf * 2),
nn.LeakyReLU(0.2, inplace=True)
)
# layer3 输出 (ndf*4) x 8 x 8
self.layer3 = nn.Sequential(
nn.Conv2d(ndf * 2, ndf * 4, 4, 2, 1, bias=False),
nn.BatchNorm2d(ndf * 4),
nn.LeakyReLU(0.2, inplace=True)
)
# layer4 输出 (ndf*8) x 4 x 4
self.layer4 = nn.Sequential(
nn.Conv2d(ndf * 4, ndf * 8, 4, 2, 1, bias=False),
nn.BatchNorm2d(ndf * 8),
nn.LeakyReLU(0.2, inplace=True)
)
# layer5 输出一个数(概率)
self.layer5 = nn.Sequential(
nn.Conv2d(ndf * 8, 1, 4, 1, 0, bias=False),
nn.Sigmoid() # 也是一个激活函数，二分类问题中，是真是假
# sigmoid 可以将实数映射到【0,1】，作为概率值，
# 多分类用 softmax 函数
)
# 定义 NetD 的前向传播
def forward(self,x):
out = self.layer1(x)
out = self.layer2(out)
out = self.layer3(out)
out = self.layer4(out)
out = self.layer5(out)
return out
3 生成效果展示
利用 1000 张左右原始玻璃表面水珠样本，使用GAN迭代 600000 次后生成的假样本示意，可以看出十分逼真，可用于分类样本扩充。
好了，以上分享了 GAN 应用于玻璃表面水珠样本生成的方法，希望我的分享能对你的学习有一点帮助。
【公众号传送】