深度学习 GAN 图像生成教程

生成对抗网络（GAN）是一种强大的深度学习模型，可以用于图像生成。以下是一个简单的教程，介绍如何使用GAN进行图像生成。

GAN 简介

GAN 由两部分组成：生成器（Generator）和判别器（Discriminator）。生成器的目标是生成看起来像真实数据的假数据，而判别器的目标是区分真实数据和生成数据。

安装必要的库

在开始之前，请确保你已经安装了以下库：

• TensorFlow
• Keras

你可以使用以下命令安装这些库：

pip install tensorflow keras

创建生成器和判别器

以下是创建生成器和判别器的代码示例：

from keras.models import Sequential
from keras.layers import Dense, Dropout, Input, Conv2D, Flatten, Reshape, LeakyReLU

# 生成器
def build_generator():
    model = Sequential()
    model.add(Dense(256, input_shape=(100,)))
    model.add(LeakyReLU(alpha=0.2))
    model.add(Dense(512))
    model.add(LeakyReLU(alpha=0.2))
    model.add(Dense(1024))
    model.add(LeakyReLU(alpha=0.2))
    model.add(Reshape((28, 28, 1)))
    model.add(Conv2D(1, kernel_size=(3, 3), activation='tanh'))
    return model

# 判别器
def build_discriminator():
    model = Sequential()
    model.add(Conv2D(32, kernel_size=(3, 3), strides=(2, 2), input_shape=(28, 28, 1)))
    model.add(LeakyReLU(alpha=0.2))
    model.add(Conv2D(64, kernel_size=(3, 3), strides=(2, 2)))
    model.add(LeakyReLU(alpha=0.2))
    model.add(Flatten())
    model.add(Dense(1, activation='sigmoid'))
    return model

训练模型

以下是一个简单的训练循环：

from keras.optimizers import Adam

# 定义优化器
optimizer = Adam(0.0002, 0.5)

# 编译模型
discriminator.compile(loss='binary_crossentropy', optimizer=optimizer, metrics=['accuracy'])
generator.compile(loss='binary_crossentropy', optimizer=optimizer)
discriminator.trainable = False
adversarial = Sequential([generator, discriminator])
adversarial.compile(loss='binary_crossentropy', optimizer=optimizer)

# 训练模型
for epoch in range(epochs):
    # 生成随机噪声
    noise = np.random.normal(0, 1, (batch_size, 100))
    # 生成假图像
    generated_images = generator.predict(noise)
    # 生成真实图像
    real_images = x_train[:batch_size]
    # 训练判别器
    d_loss_real = discriminator.train_on_batch(real_images, np.ones((batch_size, 1)))
    d_loss_fake = discriminator.train_on_batch(generated_images, np.zeros((batch_size, 1)))
    d_loss = 0.5 * np.add(d_loss_real, d_loss_fake)
    # 训练生成器和判别器
    g_loss = adversarial.train_on_batch(noise, np.ones((batch_size, 1)))

结果展示

完成训练后，你可以使用以下代码查看生成的图像：

import matplotlib.pyplot as plt

# 生成图像
noise = np.random.normal(0, 1, (1, 100))
generated_image = generator.predict(noise)

# 显示图像
plt.imshow(generated_image[0, :, :, 0], cmap='gray')
plt.show()

扩展阅读

更多关于GAN的教程和资源，请访问我们的 深度学习教程页面。

GAN