#21天学习挑战赛—深度学习实战100例#——生成手写字体

本文链接：https://blog.youkuaiyun.com/qq_20491295/article/details/126352080

本文是365天深度学习训练营的学习记录，重点介绍如何使用GAN网络生成手写数字。内容包括对抗神经网络的概念，生成器和鉴别器的工作原理，以及模型的训练和评估。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

活动地址：优快云21天学习挑战赛
本文为🔗365天深度学习训练营中的学习记录博客

文章目录

前言
一、拆解任务
二、学习内容
总结

前言

终于到第三周啦，其实还有点不舍，毕竟能看到不少深度学习的例子。本周的任务有3个，生成手写字体，动物识别，乳腺癌识别。因为任务不同，那么可能会使用到不同的预处理、网络等等。
本节主要学习生成手写字体。

一、拆解任务

首先需要了解这次需要处理的任务，这里贴生成的手写数字展示图。

在这里插入图片描述
从上图来看生成的手写数字和真实的手写数字差距不是太大，几乎能做到“以假乱真”了。

二、学习内容

这次的任务跟之前做过的识别衣服、识别手写数字不大一样，本章使用到了一个新的网络——GAN网络。

1. 什么是对抗神经网络

对抗神经网络包含两个部分：
生成器：生成“假”数据以骗过鉴别器
鉴别器：判断图片是“真的”还是“生成”的，并从中挑出“生成的”数据。

2. 构建对抗神经网络

在这里插入图片描述
GAN网络的运行过程如上图所示：
（1）随机数（Random noise）经过Generator 生成了一个Fake image
（2）将生成的fake image 和 training set 的图片一起输入到discriminator中
（3）discriminator对输入的图片进行概率判断，然后得到图片的类别

# 生成器

def build_generator():
    # ======================================= #
    #     生成器，输入一串随机数字生成图片
    # ======================================= #
    model = Sequential([
        layers.Dense(256, input_dim=latent_dim),
        layers.LeakyReLU(alpha=0.2),               # 高级一点的激活函数
        layers.BatchNormalization(momentum=0.8),   # BN 归一化
        
        layers.Dense(512),
        layers.LeakyReLU(alpha=0.2),
        layers.BatchNormalization(momentum=0.8),
        
        layers.Dense(1024),
        layers.LeakyReLU(alpha=0.2),
        layers.BatchNormalization(momentum=0.8),
        
        layers.Dense(np.prod(img_shape), activation='tanh'),