GAN生成对抗网络

1 GAN简介

生成对抗网络（GAN,Generative Adversarial Networks）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。由2014年还在蒙特利尔读博士的lan Goodfellow引入深度学习领域。2016年，GAN热潮席卷AI领域顶级会议，从ICLR到NIPS，大量高质量论文被发表和探讨。Yann LeCun曾评论GAN是“20年来机器学习领域最酷的想法”。

机器学习的模型可大体分为两类：生成模型（Generative Model）和判别模型（Discriminative Model）。判别模型需要输入变量，通过某种模型来预测。生成模型是给定某种隐含信息，来随机产生观测数据。

GAN是更好的生成模型

2 GAN原理

GAN主要包括了两个部分，即生成器generator与判别器discriminator。生成器主要用来学习真实图像分布，从而让自身生成的图像更加真实，以骗过判别器。判别器则需要对接受的图片进行真假判断。

在训练过程中，生成器努力地让生成的图像更加真实，而判别器则努力地去识别出图像的真假，这个过程相当于一个二人博弈，随着时间的推移，生成器和判别器在不断地进行对抗，最终两个网络达到了一个动态平衡：生成器生成的图像接近于真实图像的分布，而辨别器识别不出真假图像，对于给定图像的预测为真的概率基本接近0.5（相当于随机猜测类别）

2.1 GAN原理举例

比如制造假币的团伙就相当于生成器，它们想通过伪造真钱来骗过银行，使得假币能够正常交易，而银行相当于判别器，需要判断进来的钱是真钱还是假币。因此假币团伙的目的是制造出银行识别不出的假币，而银行则是要想办法准确地识别出假币。

2.2 GAN原理总结

对于给定的真实图片，判别器要为其打上标签1；
对于给定的生成图片，判别器要为其打上标签0；
对于生成器传给判别器的生成图片，生成器希望判别器打上标签1。

训练过程中，生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开。

这样，G和D就构成了一个动态的“博弈过程”。

那么博弈的结果是什么呢？
在最理想的状态下，G可以生成足以“以假乱真”的图片G(z)。对于D来说，它难以判定G生成的图片究竟是不是真实的，因此D(G(z)) = 0.5。

目的：得到了一个生成模型G，可以用来生成图片。

3 GAN设计

4 GAN应用领域

• 图像生成
• 图像增强
• 风格化
• 艺术的图像创造

5 GAN入门代码示例

5.1 加载数据库

import tensorflow as tf 
from tensorflow import keras
from tensorflow.keras import layers
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
import glob
import os

查看TensorFlow版本，这里使用tensorflow2.0。关于TensorFlow的知识后面有时间会写博客，还记得去年暑假，学了两个星期，结果开学不久TensorFlow迎来了2.0，并购了Keras等优秀的模型框架，算是彻底和1.x说了再见，计算图、会话彻底成为了过去时，后来不得不从新学习TensorFlow2.0。不过他不会让你失望，值得你付出的时间。

tf.__version__

使用内部MNIST数据集

 #这里不需要测试数据集，所以用占位符去掉
(train_images,train_labels),(_,_) = tf.keras.datasets.mnist.load_data()    

5.2 数据预处理

train_images.shape

#把数据变成图片的格式
train_images = train_images.reshape(train_images.shape[0],28,28,1)    
train_images.shape     

train_images.dtype

 #把数据类型转换成float数据类型
train_images = train_images.astype('float32')           

对数据做归一化处理；
目的：使数据的范围落在0的周围，因为激活函数在0的周围能发挥最好的作用；
因为图片数据的取值范围是（0-255）–>（-1,1）。

#对数据做归一化处理
train_images = (train_images - 127.5)/127.5