活动地址：CSDN21天学习挑战赛
前言
终于到第三周啦，其实还有点不舍，毕竟能看到不少深度学习的例子。本周的任务有3个，生成手写字体，动物识别，乳腺癌识别。因为任务不同，那么可能会使用到不同的预处理、网络等等。
本节主要学习生成手写字体。
一、拆解任务
首先需要了解这次需要处理的任务，这里贴生成的手写数字展示图。
从上图来看生成的手写数字和真实的手写数字差距不是太大，几乎能做到“以假乱真”了。
二、学习内容
这次的任务跟之前做过的识别衣服、识别手写数字不大一样，本章使用到了一个新的网络——GAN网络。
1. 什么是对抗神经网络
对抗神经网络包含两个部分：
生成器：生成“假”数据以骗过鉴别器
鉴别器：判断图片是“真的”还是“生成”的，并从中挑出“生成的”数据。
2. 构建对抗神经网络
GAN网络的运行过程如上图所示：
（1）随机数（Random noise）经过Generator 生成了一个Fake image
（2）将生成的fake image 和 training set 的图片一起输入到discriminator中
（3）discriminator对输入的图片进行概率判断，然后得到图片的类别
# 生成器
def build_generator():
# ======================================= #
# 生成器，输入一串随机数字生成图片
# ======================================= #
model = Sequential([
layers.Dense(256, input_dim=latent_dim),
layers.LeakyReLU(alpha=0.2), # 高级一点的激活函数
layers.BatchNormalization(momentum=0.8), # BN 归一化
layers.Dense(512),
layers.LeakyReLU(alpha=0.2),
layers.BatchNormalization(momentum=0.8),
layers.Dense(1024),
layers.LeakyReLU(alpha=0.2),
layers.BatchNormalization(momentum=0.8),
layers.Dense(np.prod(img_shape), activation='tanh'),
layers.Reshape(img_shape)
])
noise = layers.Input(shape=(latent_dim,))
img = model(noise)
return Model(noise, img)
#鉴别器
def build_discriminator():
# ===================================== #
# 鉴别器，对输入的图片进行判别真假
# ===================================== #
model = Sequential([
layers.Flatten(input_shape=img_shape),
layers.Dense(512),
layers.LeakyReLU(alpha=0.2),
layers.Dense(256),
layers.LeakyReLU(alpha=0.2),
layers.Dense(1, activation='sigmoid')
])
img = layers.Input(shape=img_shape)
validity = model(img)
return Model(img, validity)
# 创建判别器
discriminator = build_discriminator()
# 定义优化器
optimizer = tf.keras.optimizers.Adam(1e-4)
discriminator.compile(loss='binary_crossentropy',
optimizer=optimizer,
metrics=['accuracy'])
# 创建生成器
generator = build_generator()
gan_input = layers.Input(shape=(latent_dim,))
img = generator(gan_input)
# 在训练generate的时候不训练discriminator
discriminator.trainable = False
# 对生成的假图片进行预测
validity = discriminator(img)
combined = Model(gan_input, validity)
combined.compile(loss='binary_crossentropy', optimizer=optimizer)
3. 训练网络
def sample_images(epoch):
"""
保存样例图片
"""
row, col = 4, 4
noise = np.random.normal(0, 1, (row*col, latent_dim))
gen_imgs = generator.predict(noise)
fig, axs = plt.subplots(row, col)
cnt = 0
for i in range(row):
for j in range(col):
axs[i,j].imshow(gen_imgs[cnt, :,:,0], cmap='gray')
axs[i,j].axis('off')
cnt += 1
fig.savefig("images/%05d.png" % epoch)
plt.close()
#训练
def train(epochs, batch_size=128, sample_interval=50):
# 加载数据
(train_images,_), (_,_) = tf.keras.datasets.mnist.load_data()
# 将图片标准化到 [-1, 1] 区间内
train_images = (train_images - 127.5) / 127.5
# 数据
train_images = np.expand_dims(train_images, axis=3)
# 创建标签
true = np.ones((batch_size, 1))
fake = np.zeros((batch_size, 1))
# 进行循环训练
for epoch in range(epochs):
# 随机选择 batch_size 张图片
idx = np.random.randint(0, train_images.shape[0], batch_size)
imgs = train_images[idx]
# 生成噪音
noise = np.random.normal(0, 1, (batch_size, latent_dim))
# 生成器通过噪音生成图片，gen_imgs的shape为：(128, 28, 28, 1)
gen_imgs = generator.predict(noise)
# 训练鉴别器
d_loss_true = discriminator.train_on_batch(imgs, true)
d_loss_fake = discriminator.train_on_batch(gen_imgs, fake)
# 返回loss值
d_loss = 0.5 * np.add(d_loss_true, d_loss_fake)
# 训练生成器
noise = np.random.normal(0, 1, (batch_size, latent_dim))
g_loss = combined.train_on_batch(noise, true)
print ("%d [D loss: %f, acc.: %.2f%%] [G loss: %f]" % (epoch, d_loss[0], 100*d_loss[1], g_loss))
# 保存样例图片
if epoch % sample_interval == 0:
sample_images(epoch)
train(epochs=30000, batch_size=256, sample_interval=200)
4. 预测和模型评估
import imageio
def compose_gif():
# 图片地址
data_dir = "F:/jupyter notebook/DL-100-days/code/images"
data_dir = pathlib.Path(data_dir)
paths = list(data_dir.glob('*'))
gif_images = []
for path in paths:
print(path)
gif_images.append(imageio.imread(path))
imageio.mimsave("test.gif",gif_images,fps=2)
compose_gif()
总结
本章学习了GAN网络的基础知识，也同时了解如何构造、训练一个GAN网络。
扫描二维码关注公众号，回复：
14486088 查看本文章
