keras实现GAN网络的代码详解_代码noise z -> generator g -> generated samples -> d

---

目录

 导入模块

产生真实样本x_sample() & 噪声样本z_sample()

定义生成器generator_model

可视化神经网络的函数 plot_model

定义判别器discriminator_model

定义一个含有判别器D的生成器generator_containing_discriminator(g, d)

绘制直方图show_image                 保存图片save_image

 初始化show_init                           保存loss值

 主函数main                                 参考

---

---

 导入模块

注：本文讲解的GAN网络源码在这里  ，所以模块导入就不再讲解，推荐看mnist数据集实现keras_gan.py

产生真实样本x_sample() & 噪声样本z_sample()

mu, sigma=(0,1)
 
#真实样本满足正态分布 均值mu为0 方差sigma为1 样本维度200，分为32个批量
def x_sample(size=200,batch_size=32):
    x=[]
    for _ in range(batch_size):
        x.append(np.random.normal(mu, sigma, size))
    return np.array(x)
 
#噪声样本 噪声维度为200, 服从[-1,1]上的均匀分布uniform
def z_sample(size=200,batch_size=32):
    z=[]
    for _ in range(batch_size):
        z.append(np.random.uniform(-1, 1, size)) 
return np.array(z)

定义生成器generator_model

 Dense是全连接层，所实现的运算是output = activation(dot(input, kernel)+bias)  【参考keras中文文档 ：Dense层】

plot_model是可视化神经网络的函数，并可以将可视化结果保存在本地图片

def generator_model():
    model = Sequential()
    model.add(Dense(input_dim=200, units=256))  # units表示该层的输出维度
    model.add(Activation('relu'))     #激活函数
    model.add(Dense(200))   #Dense是全连接层
    model.add(Activation('sigmoid'))  
    plot_model(model, show_shapes=True, to_file='gan/keras-gan-generator_model.png') 
return model

可视化神经网络的函数 plot_model

plot(model, to_file='model1.png',show_shapes=True)   

生成一个模型图，第一个参数为模型，第二个为要生成图片的路径及文件名，还可以指定两个参数：

• show_shapes：指定是否显示输出数据的形状，默认为False 
• show_layer_names:指定是否显示层名称,默认为True

show_shapes为True / False 的 具体显示差别请参考 【keras的模型可视化】

---

定义判别器discriminator_model

Reshape层用来将input_shape转换为特定的shape (200,)， Dense是全连接层。

def discriminator_model():
    model = Sequential()
 
    model.add(Reshape((200,), input_shape=(200,)))
    model.add(Dense(units=256))   # 有256个神经元的全连接层，输出维度就为256
    model.add(Activation('relu'))
    model.add(Dense(1)) 
    model.add(Activation('sigmoid'))
 
    plot_model(model, show_shapes=True, to_file='gan/keras-gan-discriminator_model.png')
return model

---

定义一个含有判别器D的生成器generator_containing_discriminator(g, d)

    d.trainable = False    #就是不更新判别器D的权值

def generator_containing_discriminator(g, d):
    model = Sequential()
    model.add(g)
    d.trainable = False
    model.add(d)
    plot_model(model, show_shapes=True, to_file='gan/keras-gan-gan_model.png')
return model

 

---

绘制直方图show_image

count 为【？】，bins为分箱【直方图】的数目；

def show_image(s):
    count, bins, ignored = plt.hist(s, 5, normed=True) #根据数据s绘制有5个bar的直方图
    plt.plot(bins, np.ones_like(bins), linewidth=2, color='r') #按照 bins 的shape创建数组,线条宽度为2 ，颜色为red
plt.show()  

---

 保存图片save_image

导入matplotlib.mlab as MLA,

先绘制一个直方图，normed 为True是频率图，直方图颜色facecolor为白色，直方图边框颜色edgecolor为蓝色。

绘制一条正态概率密度函数 ( normpdf)  曲线；y = normpdf(bins,mu,sigma) 中，mu为均值； sigma：标准差 ； y是正态概率密度函数在bins处的值

plt.savefig()保存图片

def save_image(s,filename):
    count, bins, ignored = plt.hist(s, bins=20, normed=True,facecolor='w',edgecolor='b')
    y = MLA.normpdf(bins, mu, sigma)
    l = plt.plot(bins, y, 'g--', linewidth=2) #绿色虚线，线条宽度为2
    #plt.plot(bins, np.ones_like(bins), linewidth=2, color='r')
    plt.savefig(filename)  #将绘制的图l保存为filename 
#plt.show()在savefig()之后，保存的图片才不会是空白

---

 初始化show_init

按照之前定义的x_sample() 函数来产生真实样本x，z_sample() 函数产生噪声样本z，并保存为图片。

x是个numpy数组，1个batch，样本维度为200，服从N(0,1)分布，

噪声样本z, 维度为200, 服从[-1,1]上的均匀分布uniform

def show_init():
    x=x_sample(batch_size=1)[0] 
    save_image(x,"gan/x-0.png")
    z=z_sample(batch_size=1)[0]
save_image(z, "gan/z-0.png")

---

 保存loss值

需要保存判别器D的损失 d_loss_list，和生成器G的损g_loss_list.作图后保存为gan/loss.png。

可用plt.figure(figsize=(10, 5)) # 更改图片大小
plt.subplots_adjust(left=0.09,right=1,wspace=0.25,hspace=0.25,bottom=0.13,top=0.91) #调节子图

def save_loss(d_loss_list,g_loss_list):
 
    plt.subplot(2, 1, 1)  # 面板设置成2行1列，并取第一个（顺时针编号）
    plt.plot(d_loss_list, 'yo-')  # 画图，染色
    #plt.title('A tale of 2 subplots')
    plt.ylabel('d_loss')
 
    plt.subplot(2, 1, 2)  # 面板设置成2行1列，并取第二个（顺时针编号）
    plt.plot(g_loss_list,'r.-')  # 画图，染色
    #plt.xlabel('time (s)')
    plt.ylabel('g_loss')
 
    plt.savefig("gan/loss.png")

 

---

 主函数main

先用show_init产生样本，进行初始化， lr为学习率，momentum为动量项，使用nesterov动量；g和d的优化方法一样

if __name__ == '__main__':
 
    show_init()
    d_loss_list=[]
    g_loss_list = []
 
    batch_size=128
    d = discriminator_model()
    g = generator_model()
    d_on_g = generator_containing_discriminator(g, d)
    d_optim = SGD(lr=0.0005, momentum=0.9, nesterov=True) 
    g_optim = SGD(lr=0.0005, momentum=0.9, nesterov=True)
    g.compile(loss='binary_crossentropy', optimizer="SGD") #二分类，损失函数用交叉熵
    d_on_g.compile(loss='binary_crossentropy', optimizer=g_optim)
    d.trainable = True   #开始模型训练
    d.compile(loss='binary_crossentropy', optimizer=d_optim)
    for epoch in range(500):  #训练500轮
        print("Epoch is", epoch) 
        noise=z_sample(batch_size=batch_size)  #噪声样本
        image_batch=x_sample(batch_size=batch_size)
        generated_images = g.predict(noise, verbose=0) #g网络的预测结果，verbose=0则控制台没有任何输出
        x= np.concatenate((image_batch, generated_images)) #数组拼接
        y=[1]*batch_size+[0]*batch_size 
        d_loss = d.train_on_batch(x, y) 
        print("d_loss : %f" % (d_loss))
        noise = z_sample(batch_size=batch_size)
        d.trainable = False
        g_loss = d_on_g.train_on_batch(noise, [1]*batch_size)
        d.trainable = True
        print("g_loss : %f" % (g_loss))
        d_loss_list.append(d_loss)
        g_loss_list.append(g_loss)
 
        if epoch % 100 == 1:
            # 测试阶段
            noise = z_sample(batch_size=1)
            generated_images = g.predict(noise, verbose=0)
            # print generated_images
            save_image(generated_images[0], "gan/z-{}.png".format(epoch))
 
    save_loss(d_loss_list, g_loss_list)

 

---

参考

【1】keras中文文档 ：常用层

【2】keras 实现GAN（生成对抗网络）