GAN基础代码

GAN

对抗生成网络

 

生成器：生成假的数据，骗过判别器

判别器：将假数据判别为假，真实数据判别为真。

流程：

1.导入数据

2.网络架构：

输入层：待生成图像（噪音）和真实数据

生成网络：将噪音图像进行生成

判别网络：

（1）判断真实图像输出结果 1

（2）判断生成图像输出结果 0

3.目标函数：

(1)：对于生成网络，要使得 生成结果 通过判别网络为真

（2）：对于判别网络，要使得输入为真实图像时判别为真，输入为生成图像时判别为假

判别模型：log(D1(x)) + log(1-D2(G(z)))

生成网络:log(D2(G(z)))
 

代码

BCELoss:

import torch    #交叉熵和BCEloss差不多
from torch import autograd
#随机生成一个数据作为预测值
input = autograd.Variable(torch.tensor([[ 1.9072,  1.1079,  1.4906],
        [-0.6584, -0.0512,  0.7608],
        [-0.0614,  0.6583,  0.1095]]), requires_grad=True)
print(input)
print('-'*100)
#因为得到的数据有正有负，用sigmoid函数映射一下，变成规范一点的0-1之间的预测结果
from torch import nn
m = nn.Sigmoid()
print(m(input))
print('-'*100)

#构建标签  想办法让判别器判断真时预测1，判别假时预测0
target = torch.FloatTensor([[0, 1, 1], [1, 1, 1], [0, 0, 0]])
print(target)
print('-'*100)

import math
#损失函数   左边当作正确预测类别，右边为错误预测类别
r11 = 0 * math.log(0.8707) + (1-0) * math.log((1 - 0.8707))
r12 = 1 * math.log(0.7517) + (1-1) * math.log((1 - 0.7517))
r13 = 1 * math.log(0.8162) + (1-1) * math.log((1 - 0.8162))

r21 = 1 * math.log(0.3411) + (1-1) * math.log((1 - 0.3411))
r22 = 1 * math.log(0.4872) + (1-1) * math.log((1 - 0.4872))
r23 = 1 * math.log(0.6815) + (1-1) * math.log((1 - 0.6815))

r31 = 0 * math.log(0.4847) + (1-0) * m