Pytorch的学习——GAN

GAN

GAN（生成对抗网络）可以这样理解，它接受一些信息然后生成一些有意义的东西。如果还是不够清楚那么可以通过这样的列子来理解：有个新手画家还有一个新手鉴赏家，新手画家画了一些画，然后让新手鉴赏家鉴赏，新手鉴赏家通过对比著名画家的画然后给新手画家建议，然后新手画家根据建议改进，再画一副画，然后循环反复，新手画家的画会渐渐向著名画家的画靠拢。

例子

这里小编通过一个列子来更加形象的了解GAN

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt

BATCH_SIZE = 64
LR_G = 0.0001           # 生成器的学习效率，这里生成器就可以理解成新手画家
LR_D = 0.0001           # 判别器的学习效率，这里判别器就可以理解成新手鉴赏家
N_IDEAS = 5             # 把这想象成创作一件艺术作品的想法(生成器)
ART_COMPONENTS = 15     # 新手画家可能画的点的数量
PAINT_POINTS = np.vstack([np.linspace(-1, 1, ART_COMPONENTS) for _ in range(BATCH_SIZE)])

# show our beautiful painting range
# plt.plot(PAINT_POINTS[0], 2 * np.power(PAINT_POINTS[0], 2) + 1, c='#74BCFF', lw=3, label='upper bound')
# plt.plot(PAINT_POINTS[0], 1 * np.power(PAINT_POINTS[0], 2) + 0, c='#FF9359', lw=3, label='lower bound')
# plt.legend(loc='upper right')
# plt.show()


def artist_works():     # 产生数据，这里可以理解为著名画家的作品，一元二次方程代替画作
    a = np.random.uniform(1, 2, size=BATCH_SIZE)[:, np.newaxis]
    paintings = a * np.power(PAINT_POINTS, 2) + (a-1)
    paintings = torch.from_numpy(paintings).float()
    return paintings

#生成器
G = nn.Sequential(                      
    nn.Linear(N_IDEAS, 128),            # 随机想法
    nn.ReLU(),
    nn.Linear(128, ART_COMPONENTS),     # 画出了一幅画
)

# 判别器
D = nn.Sequential(                      
    nn.Linear(ART_COMPONENTS, 128),     # 接收生成器的结果
    nn.ReLU(),
    nn.Linear(128, 1),
    nn.Sigmoid(),                       # 判别
)

# 选择优化器
opt_D = torch.optim.Adam(D.parameters(), lr=LR_D)
opt_G = torch.optim.Adam(G.parameters(), lr=LR_G)

plt.ion()

for step in range(10000):
    artist_paintings = artist_works()           
    G_ideas = torch.randn(BATCH_SIZE, N_IDEAS)  # 随机想法
    G_paintings = G(G_ideas)                    # 生成作品

    prob_artist0 = D(artist_paintings)          # 判别著名画家的作品
    prob_artist1 = D(G_paintings)               # 判别生成的作品

    # 计算误差
    D_loss = - torch.mean(torch.log(prob_artist0) + torch.log(1. - prob_artist1))   # 增加判别的准确率
    G_loss = torch.mean(torch.log(1. - prob_artist1))   # 增加自己的画被判别为著名画家的画的概率

    opt_D.zero_grad()
    D_loss.backward(retain_graph=True)      # 重用计算图，如果不加在第二次误差反向传递会报错
    opt_D.step()

    opt_G.zero_grad()
    G_loss.backward()
    opt_G.step()

    if step % 50 == 0:  # 可视化
        plt.cla()
        plt.plot(PAINT_POINTS[0], G_paintings.data.numpy()[0], c='#4AD631', lw=3, label='Generated painting',)
        plt.plot(PAINT_POINTS[0], 2 * np.power(PAINT_POINTS[0], 2) + 1, c='#74BCFF', lw=3, label='upper bound')
        plt.plot(PAINT_POINTS[0], 1 * np.power(PAINT_POINTS[0], 2) + 0, c='#FF9359', lw=3, label='lower bound')
        plt.text(-.5, 2.3, 'D accuracy=%.2f (0.5 for D to converge)' % prob_artist0.data.numpy().mean(), fontdict={'size': 13})
        plt.text(-.5, 2, 'D score= %.2f (-1.38 for G to converge)' % -D_loss.data.numpy(), fontdict={'size': 13})
        plt.ylim((0, 3));plt.legend(loc='upper right', fontsize=10);plt.draw();plt.pause(0.01)

plt.ioff()
plt.show()

效果

这里蓝线和橘线之间可以当作著名画家的作品，而绿线就是新手画家的作品，一开始可以看到新手画家画的很乱

然后通过鉴赏家告诉它的信息，它