GAN生成對抗網路代碼解析

上一次我們寫了生成對抗網路的工作原理，俗話說，學而不編則罔，編而不學則殆，跑起來才能加深對演算法的理解。

在跑之前，首先需要先裝上python（廢話），tensorflow (https://www.tensorflow.org/install/)，裝完之後試一下

看能不能出現「Hello, TensorFlow!」成功了就可以正式進入GAN了！

首先第一步是導入數據包，說明此前你應該已經預先安裝好了numpy和matplotlib，此外，我們訓練所用的資料庫MNIST (http://yann.lecun.com/exdb/mnist/)也能通過調用一個tensorflow的函數read_data_sets直接導入（不用手動下載）。

這一步如果成功的話，運行會出現：

就是MNIST被提取出來了，這4個文件依次是，訓練圖、訓練標籤、測試圖、測試標籤。

如果你想看看MNIST裡面的數據圖長啥樣，可以用next_batch來調用一個batch用PyPlot來看看：

由於隨機調用，所以每次運行會出現的數字都不同：

接下來我們就可以開始構建判別器Discriminator和生成器Generator了。

在這裡有一個小tip要注意就是最開頭那段if語句，因為小姐姐沒加它的時候出現報錯，意思是參數不能重複使用，可是怎麼可能，這些權重參數下面都要反覆用來計算，所以需要把你要重複使用的參數都包括進去才行繼續往下跑（生成器同此）。

生成器就可以看作是反卷積的過程，判別器輸入2維或者3維的像素矩陣，輸出一個概率，生成器則是反過來——將一個多維的噪音向量輸出為一張28*28的像素圖（但其實是28*28*1，因為數字只有灰度1一個維度，但是tensorflow通常能處理3通道的RGB像素圖），可以看到最後一層加了tf.sigmoid激活函數，它的作用是將灰度轉化成黑或者白來輸出圖像。

生成器構造完了，我們來看看未經訓練之前的噪音圖像什麼樣子的：

看一下輸出，噪音真的就是噪音本尊：

好，終於要開始訓練了，論文告訴我們說，判別器和生成器各自有自己的損失函數，我們同時訓練它們，使得生成器能生成更像正樣本的圖片，並使得判別器能更準確地判斷出正負樣本圖片。

然後構造優化器，這裡使用的是Adam梯度下降，同時讓判別器對真實圖和噪音圖分別訓練，以方便分別調整步長：

最後，GAN初版不好訓練（常常崩），可以用tensorboard同時監控損失函數和訓練圖的變化，甚至還能畫出神經網路的拓撲結構：

使用方法就是先在終端激活tensorflow

然後運行命令

再然後打開網頁

http://localhost:6000

就能看到了。

好，萬事俱備，只欠訓練。友情提示，訓練要很久（GPU至少3小時，CPU。。。30個小時吧），而且容易崩（GAN本身的結構決定的），祝福你成功。

開始訓練的界面是這樣子的：

Tensorboard裡面也能看到損失在逐步下降：

最後的最後，其實可以下載訓練好的權重來測試 (https://github.com/jonbruner/generative-adversarial-networks/blob/master/pretrained-model/pretrained_gan.ckpt），把它下載放在你的本地文件夾里，然後運行：

就能看到美麗的小數字們啦，啦啦啦啦。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！