姓名：刘治国 学号：21011210153 学院：信息与通信工程
从一个小白的方式理解GAN网络（生成对抗网络），可以认为是一个造假机器，造出来的东西跟真的一样，下面开始讲如何造假：（主要讲解GAN代码，代码很简单）
我们首先以造小狗的假图片为例。
首先需要一个生成小狗图片的模型，我们称之为generator，还有一个判断小狗图片是否是真假的判别模型discrimator，
首先输入一个1000维的噪声，然后送入生成器，生成器的具体结构如下所示（不看也可以，看完全篇回来再看也一样）：
其实比较简单，代码如下所示：
def generator_model():
model = Sequential()
model.add(Dense(input_dim=1000, output_dim=1024))
model.add(Activation('tanh'))
model.add(Dense(128 * 8 * 8))
model.add(BatchNormalization())
model.add(Activation('tanh'))
model.add(Reshape((8, 8, 128), input_shape=(8 * 8 * 128,)))
model.add(UpSampling2D(size=(4, 4)))
model.add(Conv2D(64, (5, 5), padding='same'))
model.add(Activation('tanh'))
model.add(UpSampling2D(size=(2, 2)))
model.add(Conv2D(3, (5, 5), padding='same'))
model.add(Activation('tanh'))
return model
生成器接受一个1000维的随机生成的数组，然后输出一个64×64×3通道的图片数据。输出就是一个图片。不必太过深究，输入是1000个随机数字，输出是一张图片。
下面再看判别器代码与结构：
代码如下所示：
def discriminator_model():
model = Sequential()
model.add(Conv2D(64, (5, 5), padding='same', input_shape=(64, 64, 3)))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(128, (5, 5)))
model.add(Activation('tanh'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(1024))
model.add(Activation('tanh'))
model.add(Dense(1))
model.add(Activation('sigmoid'))
return model
输入是64，64，3的图片，输出是一个数1或者0,代表图片是否是狗。
下面根据代码讲具体操作：
把真图与假图。进行拼接，然后打上标签，真图标签是1,假图标签是0，送入训练的网络。
# 随机生成的1000维的噪声
noise = np.random.uniform(-1, 1, size=(BATCH_SIZE, 1000))
# X_train是训练的图片数据，这里取出一个batchsize的图片用于训练，这个是真图（64张）
image_batch = X_train[index * BATCH_SIZE:(index + 1) * BATCH_SIZE]
# 这里是经过生成器生成的假图
generated_images = generator_model.predict(noise, verbose=0)
# 将真图与假图进行拼接
X = np.concatenate((image_batch, generated_images))
# 与X对应的标签，前64张图为真，标签是1，后64张图是假图，标签为0
y = [1] * BATCH_SIZE + [0] * BATCH_SIZE
# 把真图与假图的拼接训练数据1送入判别器进行训练判别器的准确度
d_loss = discriminator_model.train_on_batch(X, y)
这里要是看不明白的话可以结合别人的讲解结合来看。
在这里训练好之后，判别器的精度会不断提高。
下面是重头戏了，也是GAN网络的核心：
def generator_containing_discriminator(g, d):
model = Sequential()
model.add(g)
# 判别器参数不进行修改
d.trainable = False
model.add(d)
return model
他的网络结构如下所示：
这个模型有生成器与判别器组成：看代码，这个模型上半部分是生成网络，下半部分是判别网络，生成网络首先生成假图，然后送入判别网络中进行判断，这里有一个d.trainable=False，意思是，只调整生成器，判别的的参数不做更改。简直巧妙。
然后我们来看如何训练生成网络，这一块也是核心区域：
# 训练一个batchsize里面的数据
for index in range(int(X_train.shape[0]/BATCH_SIZE)):
# 产生随机噪声
noise = np.random.uniform(-1, 1, size=(BATCH_SIZE, 1000))
# 这里面都是真图片
image_batch = X_train[index*BATCH_SIZE:(index+1)*BATCH_SIZE]
# 这里产生假图片
generated_images = g.predict(noise, verbose=0)
# 将真图片与假图片拼接在一起
X = np.concatenate((image_batch, generated_images))
# 前64张图片标签为1,即真图，后64张照片为假图
y = [1] * BATCH_SIZE + [0] * BATCH_SIZE
# 对于判别器进行训练，不断提高判别器的识别精度
d_loss = d.train_on_batch(X, y)
# 再次产生随机噪声
noise = np.random.uniform(-1, 1, (BATCH_SIZE, 1000))
# 设置判别器的参数不可调整
d.trainable = False
# ××××××××××××××××××××××××××××××××××××××××××××××××××××××××××
# 在此我们送入噪声，并认为这些噪声是真实的标签
g_loss = generator_containing_discriminator.train_on_batch(noise, [1] * BATCH_SIZE)
# ××××××××××××××××××××××××××××××××××××××××××××××××××××××××××
# 此时设置判别器可以被训练，参数可以被修改
d.trainable = True
# 打印损失值
print("batch %d d_loss : %s, g_loss : %f" % (index, d_loss, g_loss))
重点在于这句代码
g_loss = generator_containing_discriminator.train_on_batch(noise, [1] * BATCH_SIZE)
首先这个网络模型（定义在上面），先传入生成器中，然后生成器生成图片之后，把图片传入判别器中，标签此刻传入的是1,真实的图片，但实际上是假图，此刻判别器就会判断为假图，然后模型就会不断调整生成器参数，此刻的判别器的参数被设置为为不可调整，d.trainable=False，所以为了不断降低loss值，模型就会一直调整生成器的参数，直到判别器认为这是真图。此刻判别器与生成器达到了一个平衡。也就是说生成器产生的假图，判别器已经分辨不出来了。所以继续迭代，提高判别器精度，如此往复循环，直到生成连人都辨别不了的图片。
最后我训练了大概65轮，实际上生成比较真实的狗的图片我估计可能上千轮了，当然不同的网络结构，所需要的迭代次数也不一样。我这个因为太费时间，就跑了大概，可以看出大概有个狗模样。这个是训练了65轮之后的效果：
以上就是全部的内容了。
https://github.com/jensleeGit/Kaggle_self_use/tree/master/Generative%20Dog%20Images
————————————————
版权声明：本文为CSDN博主「JensLee」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/LEE18254290736/article/details/97371930
