基于Python的生成对抗网络（GAN）

太过爱你忘了你带给我的痛 2023-10-15 22:22 43阅读 0赞

[资源下载地址][Link 1]：https://download.csdn.net/download/sheziqiong/88336732  
[资源下载地址][Link 1]：https://download.csdn.net/download/sheziqiong/88336732

#### GAN的原理介绍： ####

GAN的思想是是一种二人零和博弈思想（two-player game），博弈双方的利益之和是一个常数，比如两个人掰手腕，假设总的空间是一定的，你的力气大一点，那你就得到的空间多一点，相应的我的空间就少一点，相反我力气大我就得到的多一点，但有一点是 确定的就是，我两的总空间是一定的，这就是二人博弈，但是呢总利益是一定的。

引申到GAN里面就是可以看成，GAN中有两个这样的博弈者，一个人名字是生成模型（G），另一个人名字是判别模型（D）。他们各自有各自的功能。

**相同点是：**

*  这两个模型都可以看成是一个黑匣子，接受输入然后有一个输出，类似一个函数，一个输入输出映射。

**不同点是：**

*  生成模型功能：比作是一个样本生成器，输入一个噪声/样本，然后把它包装成一个逼真的样本，也就是输出。
 *  判别模型：比作一个二分类器（如同0-1分类器），来判断输入的样本是真是假。（就是输出值大于0.5还是小于0.5）;

**NEXT:**

首先判别模型，就是图中右半部分的网络，直观来看就是一个简单的神经网络结构，输入就是一副图像，  
输出就是一个概率值，用于判断真假使用（概率值大于0.5那就是真，小于0.5那就是假），真假也不过是  
人们定义的概率而已。其次是生成模型，生成模型要做什么呢，同样也可以看成是一个神经网络模型，输  
入是一组随机数Z，输出是一个图像，不再是一个数值而已。从图中可以看到，会存在两个数据集，一个是  
真实数据集，这好说，另一个是假的数据集，那这个数据集就是有生成网络造出来的数据集。好了根据这个  
图我们再来理解一下GAN的目标是要干什么：

*  **判别网络的目的：**

就是能判别出来属于的一张图它是来自真实样本集还是假样本集。假如输入的是真样本，网络输出就接近1，输入的是假样本， 网络输出接近0，那么很完美，达到了很好判别的目的。

*  **生成网络的目的：**

生成网络是造样本的，它的目的就是使得自己造样本的能力尽可能强，强到什么程度呢，你判别网络没法判断我是真样本还是假样本。

有了这个理解我们再来看看为什么叫做对抗网络了。判别网络说，我很强，来一个样本我就知道它是来自真样本集还是假样本集。生成网络就不服了，说我也很强，我生成一个假样本，虽然我生成网络知道是假的，但是你判别网络不知道呀，我包装的非常逼真，以至于判别网络无法判断真假，那么用输出数值来解释就是，生成网络生成的假样本进去了判别网络以后，判别网络给出的结果是一个接近0.5的值，极限情况就是0.5，也就是说判别不出来了，这就是纳什平衡了。

由这个分析可以发现，生成网络与判别网络的目的正好是相反的，一个说我能判别的好，一个说我让你判别不好。所以叫做对抗，叫做博弈。那么最后的结果到底是谁赢呢？这就要归结到设计者，也就是我们希望谁赢了。作为设计者的我们，我们的目的是要得到以假乱真的样本，那么很自然的我们希望生成样本赢了，也就是希望生成样本很真，判别网络能力不足以区分真假样本位置。

#### GAN模型： ####

GAN，即生成对抗网络，主要包含两个模块：

*  生成器（Generative Model）
 *  判别器（Discriminative Model）

生成模型和判别模型之间互相博弈、学习产生相当好的输出。以图片为例，生成器的主要任务是学习真实图片集，从而使得自己生成的图片更接近于真实图片，以“骗过”判别器。而判别器的主要任务是找出出生成器生成的图片，区分其与真实图片的不同，进行真假判别。在整个迭代过程中，生成器不断努力让生成的图片越来越像真的，而判别器不断努力识别出图片的真假。这类似生成器与判别器之间的博弈，随着反复迭代，最终二者达到了平衡：生成器生成的图片非常接近于真实图片，而判别器已经很难识别出真假图片的不同了。其表现是对于真假图片，判别器的概率输出都接近 0.5。

这样我们的目的就达成了：我们得到了一个生成式的模型G，它可以用来生成图片。GAN 基本模型由 输入 Vector、G 网络、D 网络组成。其中，G 和 D 一般都是由神经网络组成。G 的输出是一幅图片，只不过是以全连接形式。G 的输出是 D 的输入，D 的输入还包含真实样本集。这样， D 对真实样本尽量输出 score 高一些，对 G 产生的样本尽量输出 score 低一些。每次循环迭代，G 网络不断优化网络参数，使 D 无法区分真假；而 D 网络也在不断优化网络参数，提高辨识度，让真假样本的 score 有差距。最终，经过多次训练迭代，GAN 模型建立。

最终的 GAN 模型中，G 生成的样本以假乱真，D 输出的 score 接近 0.5，即表示真假样本难以区分，训练成功。

这里，重点要讲解一下输入 vector。输入向量是用来做什么的呢？其实，输入 vector 中的每一维度都可以代表输出图片的某个特征。比如说，输入 vector 的第一个维度数值大小可以调节生成图片的头发颜色，数值大一些是红色，数值小一些是黑色；输入 vector 的第二个维度数值大小可以调节生成图片的肤色；输入 vector 的第三个维度数值大小可以调节生成图片的表情情绪，等等。

GAN 的强大之处也正是在于此，通过调节输入 vector，就可以生成具有不同特征的图片。而这些生成的图片不是真实样本集里有的，而是即合理而又没有见过的图片。是不是很有意思呢？下面这张图反映的是不同的 vector 生成不同的图片。

### （3）GAN算法原理： ###

GAN 的算法原理:既然有两个模块：G 和 D，每个模块都有相应的网络参数。先来看 D 模块，它的目标是让  
真实样本 score 越大越好，让 G 产生的样本 score 越小越好。那么可以得到 D 的损失函数为：

![在这里插入图片描述][485bb5d8ea9841eca6dd4a3c623b7973.png_pic_center]

其中，x 是真实样本，G(z) 是 G 生成样本。我们希望 D(x) 越大越好，D(G(z)) 越小越好，也就是希望 -D(x) 越小越好，-log(1-D(G(z))) 越小越好。从损失函数的角度来说，能够得到上式。再来看 G 模块，它的目标就是希望其生成的模型能够在 D 中得到越高的分数越好。那么可以得到 G 的损失函数。

![在这里插入图片描述][9340d2afecd64745b26d8ff7068fed97.png_pic_center]

知道了损失函数之后，接下来就可以使用各种优化算法来训练模型了。

### （4）GAN模型实例 ###

基于PyTorch 实现一个简单的 GAN 模型。仍然以绘画创作为例，假设我们要创造如下“名画”（以正弦图形为例）：

*  环境：win10 + Anaconda + pycharm
 *  安装的库：pytorch、numpy、matplotlib
    
    #### demo图片 ####
    
     *  迭代500次输出结果：

![在这里插入图片描述][388dd707adf74a6694e4890c8f5af43b.jpeg_pic_center]

*  迭代1000次输出结果：

![在这里插入图片描述][0f0f6d0cf0f247618a55e84c2bbee001.png_pic_center]

### （5）GAN的应用 ###

*  利用`CycleGAN`进行图像转换（将苹果变成橘子；将马变成斑马）以及利用CGAN进行图像编辑。
 *  利用`StackGAN`自动从文本中制作逼真的图像。利用`DiscoGAN`进行图像风格的转换。
 *  利用SRGAN通过预训练模型提升图像品质，制作高清晰度的图像。
 *  **通过特征生成逼真图像** ：设想一个强盗闯入你的公寓，而你并没有他的照片，现在警察局  
    的系统可以根据你的描述生成强盗的照片并在数据库中进行搜索。

[资源下载地址][Link 1]：https://download.csdn.net/download/sheziqiong/88336732  
[资源下载地址][Link 1]：https://download.csdn.net/download/sheziqiong/88336732

[Link 1]: https://download.csdn.net/download/sheziqiong/88336732
[485bb5d8ea9841eca6dd4a3c623b7973.png_pic_center]: https://img-blog.csdnimg.cn/485bb5d8ea9841eca6dd4a3c623b7973.png#pic_center
[9340d2afecd64745b26d8ff7068fed97.png_pic_center]: https://img-blog.csdnimg.cn/9340d2afecd64745b26d8ff7068fed97.png#pic_center
[388dd707adf74a6694e4890c8f5af43b.jpeg_pic_center]: https://img-blog.csdnimg.cn/388dd707adf74a6694e4890c8f5af43b.jpeg#pic_center
[0f0f6d0cf0f247618a55e84c2bbee001.png_pic_center]: https://img-blog.csdnimg.cn/0f0f6d0cf0f247618a55e84c2bbee001.png#pic_center