【GANs入门】pytorch-GANs任务迁移-单个目标(数字的生成)

简述

之前认真学习了网上的一份，代码做了很详细的笔记。
【Gans入门】Pytorch实现Gans代码详解【70+代码】

但是上面的任务只是画一条在一定区间下的曲线。
这里对这个进行迁移，到可以进行图像的生成。

图像的很多数据都没有，但是突然想到在sklearn上的digits是一个非常简单的图片。
这里我想到之前的一份笔记
sklearn学习（一）

这里会使用sklearn自带的小数据来做训练
目标是让神经网络自己学会生成数字。

任务描述

为了让神经网络操作更简单。这里的输入数据只会选择特定数值的数字图片数据。然后丢给对抗生成神经网络学习。让其中的生成器学会如何生成手写数字。

下面是选择用数值1的生成过程

其实可以发现其实是有点这样的感觉了。

下面的这个是让它学习数字0的效果

可能是由于数字0的细节更粗糙一点，所以，可以发现，我们认为这个0生成的更好。（数字1和数字4其实是有点像的，所以会有点问题，还有这是因为图片像素有点低）

代码详解

导入包

• torch，numpy这些都是数据处理过程中需要的包
• matplotlib为了画图
• sklearn主要是为了它本身带的数据
• random主要是为了选择标准数据更具有随机性
• os，shutil，imageio这三个库是为了画出gif动态图

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
import random
import os
import shutil
import imageio

创建临时文件夹

PNGFILE = './png/'
if not os.path.exists(PNGFILE):
    os.mkdir(PNGFILE)
else:
    shutil.rmtree(PNGFILE)
    os.mkdir(PNGFILE)

这里会创建一个临时的文件夹png，会把中途生成的那些图片都存在这，然后我就可以用这些png来生成gif文件

模型参数

• BATCH_SIZE这个参数表示每次用多少的数据来进行考量。（数值多的话模型进化的会稍微快点）
• LR_G跟LR_D表示两个模型的学习率
• N_IDEAS：启发式因子（生成函数的初始层的节点数）。因为我们要操作的节点数量会特别大（特别是图像问题，但是如果输入节点过于大的话，会需要大量的计算资源。所以用小一点的这个基本够用就行了）
• target_num ：表示的是想要生成的数字。由于数据集中只有（0到9）所以，这里也只能取0到9。
• image_max表示图片像素点的最大值，这个一开始我用到了，但是后来我修改了代码之后，就用不到了。
• ART_COMPONENTS：像素点数量（其实本质上跟前一个版本的参考节点数都是一样的）

# Hyper Parameters
BATCH_SIZE = 64
LR_G = 0.00001  # learning rate for generator
LR_D = 0.00001  # learning rate for discriminator
N_IDEAS = 6  # think of this as number of ideas for generating an art work (Generator)
target_num = 0 # target Number

digits = datasets.load_digits()
target = digits.target
data = digits.data[target == target_num]
image_max = max(data.reshape((-1,)))
ART_COMPONENTS = data.shape[-1]  # it could be total point G can draw in the canvas

标准数据

这个函数本质上，这个区间上选BATCH_SIZE个标准数据。
但是，random.sample只能输入的是list所以需要先把data转成list，但是转出来的list又不能直接变成torch中的Tensor，这里需要再转成ndarray，之后再转成Tensor，但是要注意在后面加一个.float()函数的操作。

def artist_works():  # painting from the famous artist (real target)
    return torch.from_numpy(np.array(random.sample(list(data),