深度学习100例-生成对抗网络（GAN）手写数字生成 | 第18天（三）

最新推荐文章于 2025-04-07 15:52:16 发布

程序员到程序猴

最新推荐文章于 2025-04-07 15:52:16 发布

阅读量380

点赞数

文章标签：深度学习生成对抗网络人工智能神经网络

本文链接：https://blog.youkuaiyun.com/m0_72708909/article/details/126388856

版权

本文介绍使用生成对抗网络（GAN）生成手写数字的实例，涉及随机正态分布生成、图像保存和模型训练。通过np.random.normal产生正态分布数据，plt.subplots创建图像布局，并利用GridSpec调整子图比例。训练过程包括数据预处理、模型训练及真假图像标签处理。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

申明：参加优快云21天学习挑战赛博客中的文章代码，均为K同学啊的博客中深度学习100例中限时开放的文章代码。

保存样例图片

def sample_images(epoch):
    """
    保存样例图片
    """
    row, col = 4, 4
    noise = np.random.normal(0, 1, (row*col, latent_dim))
    gen_imgs = generator.predict(noise)

    fig, axs = plt.subplots(row, col)
    cnt = 0
    for i in range(row):
        for j in range(col):
            axs[i,j].imshow(gen_imgs[cnt, :,:,0], cmap='gray')
            axs[i,j].axis('off')
            cnt += 1
    fig.savefig("images/%05d.png" % epoch)
    plt.close()

np.random.normal(0, 1, (row*col, latent_dim))这是个随机产生正态分布的函数。（normal 表正态）

loc:正态分布的均值，对应着这个分布的中心。

其中plt.subplots(row, col)，subplots的用法：

def subplots(nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True,
             subplot_kw=None, grids

最低0.47元/天解锁文章