生成对抗网络(GAN)

原创

wx62b9325dd56a7 2022-06-27 17:03:10 博主文章分类：对抗迁移学习 ©著作权

文章标签 生成器卷积动漫 文章分类 OpenStack 云计算

©著作权归作者所有：来自51CTO博客作者wx62b9325dd56a7的原创作品，请联系作者获取转载授权，否则将追究法律责任

文章目录

前言
GAN的原理简介
用GAN生成动漫头像
用GAN生成花

前言

生成对抗网络（Generative Adversarial Net, GAN）是近年来深度学习中十分热门的方向。本文将简要介绍GAN的基本原理，并带领读者实现一个简单的生成对抗网络，用以生成动漫人物的头像。

GAN的原理简介

GAN的开山之作是被称为“GAN之父”的Ian Goodfellow发表于2014年的经典论文Generative Adversarial Networks,在这篇论文中他提出了生成对抗网络，并设计了第一个GAN实验——手写数字生成。

如果深度学习不能创造图片，那么它也没有真正地理解图片。GAN从生成学习角度展示了神经网络的强大能力。GAN解决了非监督学习中的著名问题：给定一批样本，训练一个系统能够生成类似的新样本。

生成对抗网络的网络结构如下图所示，主要包含以下两个子网络。

生成器（generator）：输入一个随机噪声，生成一张图片。
判别器（discriminator）：判断输入的图片是真图片还是假图片。

生成对抗网络(GAN)_生成器
训练判别器时，需要利用生成器生成的假图片和来自真实世界的真图片；训练生成器时，只用噪声生成假图片。判别器用来评估生成的假图片的质量，促使生成器相应地调整参数。

生成器的目标是尽可能地生成以假乱真的图片，让判别器以为这是真的图片；判别器的目标是将生成器生成的图片和真实世界的图片区分开。可以看出这二者的目标相反，在训练过程中互相对抗，这也是它被称为生成对抗网络的原因。

判别器的目标是判断输入的图片是真的还是假的，所以可以看成是一个二分类网络。生成器的目标是从噪声中生成一张彩色图片，这里我们采用广泛使用的DCGAN（Deep Convolutional Generative Adversarial Networks）结构，即采用全卷积网络，其结构如下图所示。网络的输入是一个100维的噪声，输出是一个3×64×64的图片。这里的输入可以看成是一个100×1×1的图片，通过上卷积慢慢增大为4×4、8×8、16×16、32×32和64×64。上卷积，或称转置卷积，是一种特殊的卷积操作，类似于卷积操作的逆运算。当卷积的stride为2时，输出相比输入会下采样到一半的尺寸；而当上卷积的stride为2时，输出会上采样到输入的两倍尺寸。这种上采样的做法可以理解为图片的信息保存于100个向量之中，神经网络根据这100个向量描述的信息，前几步的上采样先勾勒出轮廓、色调等基础信息，后几步上采样慢慢完善细节。网络越深，细节越详细。
生成对抗网络(GAN)_动漫_02
在DCGAN中，判别器的结构和生成器对称：生成器中采用上采样的卷积，判别器就采用下采样的卷积，生成器是根据噪声输出一张64×64×3的图片，而判别器则是根据输入的64×64×3的图片输出图片属于正负样本的分数（概率）。