PyTorch-Tutorial 项目解析：条件生成对抗网络(Conditional GAN)实现详解-优快云博客

本文链接：https://blog.youkuaiyun.com/gitblog_00865/article/details/148440907

PyTorch-Tutorial 项目解析：条件生成对抗网络(Conditional GAN)实现详解

PyTorch-Tutorial Build your neural network easy and fast, 莫烦Python中文教学项目地址: https://gitcode.com/gh_mirrors/pyt/PyTorch-Tutorial

条件GAN概述

条件生成对抗网络(Conditional GAN, cGAN)是GAN的一种扩展形式，它在生成器和判别器的输入中都加入了条件信息。与普通GAN相比，cGAN能够根据给定的条件生成特定类别的数据，这在许多实际应用中非常有用。

代码结构解析

1. 参数设置与数据准备

BATCH_SIZE = 128
LR_G = 0.0001           # 生成器学习率
LR_D = 0.0001           # 判别器学习率
N_IDEAS = 5             # 生成器的初始想法维度
ART_COMPONENTS = 15     # 画作的点数(输出维度)

这段代码设置了模型的基本参数，其中：

N_IDEAS代表生成器的潜在空间维度
ART_COMPONENTS决定了生成曲线的点数
PAINT_POINTS定义了画布上的x坐标点

2. 真实数据生成

def artist_works_with_labels():
    a = np.random.uniform(1, 2, size=BATCH_SIZE)[:, np.newaxis]
    paintings = a * np.power(PAINT_POINTS, 2) + (a-1)
    labels = (a-1) > 0.5            # 两类标签
    return paintings, labels

这个函数模拟"艺术家"生成真实数据的过程：

随机生成斜率参数a
使用二次函数生成曲线
根据a值生成二元标签(0或1)

3. 网络架构设计

生成器(G)结构

G = nn.Sequential(
    nn.Linear(N_IDEAS+1, 128),  # 输入：随机噪声+标签
    nn.ReLU(),
    nn.Linear(128, ART_COMPONENTS),
)

生成器特点：

输入维度为噪声维度+标签维度
使用ReLU激活函数
输出维度与真实数据相同

判别器(D)结构

D = nn.Sequential(
    nn.Linear(ART_COMPONENTS+1, 128),  # 输入：画作+标签
    nn.ReLU(),
    nn.Linear(128, 1),
    nn.Sigmoid(),  # 输出为概率值
)

判别器特点：

同时接收画作数据和标签
输出一个0-1之间的概率值，表示输入来自真实数据的可能性

4. 训练过程分析

训练循环中的关键步骤：

生成假数据：

G_ideas = torch.randn(BATCH_SIZE, N_IDEAS)
G_inputs = torch.cat((G_ideas, labels), 1)
G_paintings = G(G_inputs)

判别器训练：
- 同时评估真实数据和生成数据
- 目标是最大化对真实数据的识别准确率，最小化对生成数据的误判率
生成器训练：
- 目标是让生成的数据能够欺骗判别器
- 通过反向传播更新生成器参数

5. 损失函数设计

D_score0 = torch.log(prob_artist0)          # 真实数据得分
D_score1 = torch.log(1. - prob_artist1)     # 生成数据得分
D_loss = - torch.mean(D_score0 + D_score1)  # 判别器损失
G_loss = torch.mean(D_score1)               # 生成器损失

这种损失设计实现了对抗训练的本质：