拿品牌做网站算侵权吗/营销型网站建设怎么做

【训练判别器】

1.在隐空间中对一批随机点采样

2.通过“生成器”模型将这些点转换为虚假图像

3.获取一批真实图像，并将它们与生成的图像组合

4.训练“判别器”模型以对生成的图像与真实图像进行分类

【训练生成器】

1.在隐空间中对随机点采样

2.通过“生成器”网络将这些点转换为虚假图像

3.训练“生成器”模型以“欺骗”判别器，并将虚假图像分类为真实图像

我们在之前的文章里简单介绍了对抗生成网络（GAN），通过“工艺品”和“鉴赏师”的例子并推导了基本的原理。今天，我们继续深入剖析GAN算法的细节，彻底了解其精髓。

传送门：生成对抗网络（GAN）

对抗的初衷

生成对抗网络，是一个生成模型。对于生成模型，我们的想法是根据输入的训练样本去生成符合真实分布的新样本：

其数学思想是根据一个已知简单分布去逼近任意复杂函数，这一点我们在变分自编码深入剖析文章讲解过——假设真实样本来自于正态分布(Z)，根据隐变量Z进行采样再译码成新样本。

传送门：带你看懂变分自编码(VAE)

但在GAN这里，我们不再限制真实样本要来自某个分布，而是将encode-decode两个过程融合到一起，用一个神经网络去逼近，然后直接生成样本。那么接下来的问题就是，怎么判断这个生成样本是真的来自于真实分布呢，VAE是通过与训练样本比较，在GAN这里不是这样，而是首先初始化生成器G(X)，然后生成一系列样本，假定真实样本是正样本，生成样本是负样本，训练一个神经网络作为判别器D(X)。然后再用生成样本作为正样本去“迷惑”判别器，更新生成器。流程如下：

这里，生成器相当于“工艺师”，判别器相当于”鉴赏师“。先优化判别器，再优化生成器。我们仔细观察，判别器D(X)的输出目标是否为真实样本，也就是二分类问题，如果来自真实样本，则y=0，如果来自生成样本，则y=1。然后，更新生成器是固定住判别器后，人为的把生成样本当作”正样本“训练。

以上，就是GAN的核心思想以及实现过程，下面我们通过源码加深了解。

tf的GAN源码解析

本次展示的是tensorflow的GAN实现，编写两个模型——生成器，判别器。事先导入相关的包。

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

接着编写判别器，可以区分真实图像（来自训练数据集）与虚假图像（生成器网络的输出）之间差异的分类器：

discriminator = keras.Sequential([keras.Input(shape=(28, 28, 1)),layers.Conv2D(64, (3, 3), strides=(2, 2), padding="same"),layers.LeakyReLU(alpha=0.2),layers.Conv2D(128, (3, 3), strides=(2, 2), padding="same"),layers.LeakyReLU(alpha=0.2),layers.GlobalMaxPooling2D(),layers.Dense(1),],name="discriminator",
)

然后是生成器，最后输出是28*28形状的张量，对于MNIST数字：

latent_dim = 128generator = keras.Sequential([keras.Input(shape=(latent_dim,)),# We want to generate 128 coefficients to reshape into a 7x7x128 maplayers.Dense(7 * 7 * 128),layers.LeakyReLU(alpha=0.2),layers.Reshape((7, 7, 128)),layers.Conv2DTranspose(128, (4, 4), strides=(2, 2), padding="same"),layers.LeakyReLU(alpha=0.2),layers.Conv2DTranspose(128, (4, 4), strides=(2, 2), padding="same"),layers.LeakyReLU(alpha=0.2),layers.Conv2D(1, (7, 7), padding="same", activation="sigmoid"),],name="generator",
)

接下来是重点的训练过程，首先初始化生成器，然后随机化输入张量，产生负样本(虚假图像)，核心代码如下：

random_latent_vectors = tf.random.normal(shape=(batch_size, latent_dim))
# Decode them to fake images
generated_images = generator(random_latent_vectors)

然后，将负样本与正样本(真实图像)拼接，一起传给判别器，这里，需要打标签，负样本标记为1，正样本为0，这里还对标签加了服从均匀分布的噪声：

combined_images = tf.concat([generated_images, real_images], axis=0)
# Assemble labels discriminating real from fake images
labels = tf.concat([tf.ones((batch_size, 1)),tf.zeros((real_images.shape[0], 1))], axis=0)
labels += 0.05 * tf.random.uniform(labels.shape)

下面先训练判别器，更新判别器的参数：

# Train the discriminator
with tf.GradientTape() as tape:predictions = discriminator(combined_images)d_loss = loss_fn(labels, predictions)
grads = tape.gradient(d_loss, discriminator.trainable_weights)
d_optimizer.apply_gradients(zip(grads, discriminator.trainable_weights))

然后，将负样本标签更改为0，“误导”判别器，去更新生成器参数，源码是再重新生成负样本，这一步切记判别器的参数是固定的，只更新生成器：

 # Sample random points in the latent spacerandom_latent_vectors = tf.random.normal(shape=(batch_size, latent_dim))# Assemble labels that say "all real images"misleading_labels = tf.zeros((batch_size, 1))with tf.GradientTape() as tape:predictions = discriminator(generator(random_latent_vectors))g_loss = loss_fn(misleading_labels, predictions)grads = tape.gradient(g_loss, generator.trainable_weights)g_optimizer.apply_gradients(zip(grads, generator.trainable_weights))

最后就是启动训练过程了，这里不再赘述了，查看源码即可。链接已附在参考资料。

参考资料：

https://tensorflow.google.cn/guide/keras/writing_a_training_loop_from_scratch