基于GAN实现MNIST图片生成-----Pytorch版

最新推荐文章于 2022-07-09 15:42:47 发布

原创

最新推荐文章于 2022-07-09 15:42:47 发布 · 1k 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #深度学习 #神经网络

该博客介绍了如何利用生成对抗网络（GAN）训练一个手写数字识别模型。文章详细阐述了GAN的组成，包括生成器和判别器的结构，并提供了PyTorch实现的代码示例。通过训练，生成器试图生成逼真的手写数字图像，而判别器则努力区分真实图像和生成的图像。最终，经过多个epoch的训练，模型能够生成接近MNIST数据集的手写数字图像。

GAN生成手写数字识别

生成对抗网络介绍：

生成对抗网络就是两个网络进行相互对抗，相互进行的过程。GAN的主要部分为生成器Generator和判别器Discriminator。
生成器：输入一个随机向量，生成一个图片。希望生成的图片越像真的越好。
判别器：输出一个图片，判别图片的真伪。希望生成的图片判别为假，数据集中的图片判别为真。

判别器：

class Discriminator(nn.Module):
    def __init__(self):
        super(Discriminator, self).__init__()
        self.fc1=nn.Linear(28*28,256)
        self.lr1=nn.LeakyReLU(0.2)
        self.fc2=nn.Linear(256,256)
        self.lr2=nn.LeakyReLU(0.2)
        self.fc3=nn.Linear(256,1)
        self.sigmoid=nn.Sigmoid()

    def forward(self,input):
        x=input.view(-1,28*28)
        x=self.fc1(x)
        x=self.lr1(x)
        x=self.fc2(x)
        x=self.lr2(x)
        x=self.fc3(x)
        y=self.sigmoid(x)
        return y

生成器：

class Generator(nn.Module):
    def __init__(self):
        super(Generator, self).__init__()
        self.fc1=nn.Linear(100,256)
        self.relu1=nn.ReLU()
        self.fc2=nn.Linear(256,256)
        self.relu2=nn.ReLU()
        self.fc3=nn.Linear(256,28*28)
        self.tanh=nn.Tanh()

    def forward(self,input):

最低0.47元/天解锁文章