GAN生成对抗网络: 用深度学习生成格式化数据的简单案例_生成对抗网络生成自己的数据集-优快云博客

本文链接：https://blog.youkuaiyun.com/OhFramework/article/details/132924122

本文介绍了一种使用生成对抗网络（GAN）生成逼真手写数字的深度学习案例。通过Python和TensorFlow，我们构建了生成器和判别器，通过对抗训练，使生成器能够逐渐生成接近真实的图像。训练过程中，随机噪声输入生成器，生成的图像与真实图像一起用于训练判别器，从而不断优化两个模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

生成对抗网络（Generative Adversarial Networks，简称GAN）是一种强大的深度学习架构，用于生成逼真的数据样本。它由两个主要组件组成：生成器（Generator）和判别器（Discriminator）。生成器负责生成伪造的数据样本，而判别器则试图区分真实数据和生成器生成的伪造数据。通过不断的对抗训练，生成器和判别器相互竞争并逐渐提高性能，最终生成逼真的数据。

在本文中，我们将介绍一个简单的案例，使用GAN生成对抗网络来生成格式化数据。我们以生成手写数字为例。我们将使用Python和深度学习库TensorFlow来实现这个案例。

首先，我们需要导入所需的库：

import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from tensorflow.keras import layers

接下来，我们定义生成器和判别器的架构。生成器将输入的随机噪声转换为形状为(28, 28, 1)的图像。判别器则是一个二进制分类器，用于区分真实图像和生成器生成的伪造图像。

# 生成器架构
def make_generator_model():
    model = tf.keras.Sequential()
    model.add(layers.Dense(7*7*256, use_bias=False, input_shape=(100,)))
    model.add(layers.BatchNormalization())
    model.add(layers.LeakyReLU())

    model.add(layers.Reshape((7, 7, 256)))
    assert model.output_shape == (None, 7, 7, 256)

    model.add(layers.Conv2DTranspose(128, (5, 5), strides=(1, 1), padding='same', use_bias=False))
    assert model.output_shape == (None, 7, 7, 128)
    model.add(layers.BatchNormalization())
    model.add(layers.LeakyReLU())

    model.add(layers.Conv2DTranspose(64, (5, 5), strides=(2, 2), padding='same', use_bias=False))
    assert model.output_shape == (None, 14