【GAN】基础GAN代码解析

基础GAN代码解析

运行教程

使用Tensorflow 1.14.0版本可以直接运行。若Mnist数据集因为网络原因下载不下来，可以通过以下链接下载压缩包，解压到项目根目录即可。
Mnist数据集压缩包

训练过程会创建两个文件夹，一个【out】目录，存放着生成的图片，一个是【mnist_gan】目录，存放着保存着的权重文件。

代码中GAN网络结构：

  • 网络没有采用卷积神经网络的结构，就是最最基础的神经网络结构。
  • 生成器G输入的初始维度为128x100，输出维度为128x784。生成器网络一共有三层，分别是输入层、中间层、输出层。中间层的激活函数是relu函数，输出层则用的是sigmod函数。
  • 判别器D输入的初始维度是128x784，输出维度为128x1。中间层的激活函数同样是relu函数，输出层则用的同样是sigmod函数。
  • 判别器D和生成器G的损失函数都采用交叉熵函数。
  • 生成器G的目标是 max(D(fake))
  • 判别器D的目标是 min(D(fake)) + max(D(real))

GAN的代码如下：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import os
from tensorflow.examples.tutorials.mnist import input_data

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

sess = tf.InteractiveSession()

def weight_var(shape, name): #定义权重，传入权重shape和name
    return tf.get_variable(name=name, shape=shape, initializer=tf.contrib.layers.xavier_initializer())

def bias_var(shape, name):#定义偏置，传入偏置shape和name
    return tf.get_variable(name=name, shape=shape, initializer=tf.constant_initializer(0))


def generator(z): #定义G，传入随机噪声z，返回G的输出。
    G_h1 = tf.nn.relu(tf.matmul(z, G_W1) + G_b1) #G_h1中间层经过激活函数后的输出。
    G_log_prob = tf.matmul(G_h1, G_W2) + G_b2 #G输出层没有经过激活函数的输出。
    G_prob = tf.nn.sigmoid(G_log_prob)#G输出层经过激活函数后的输出。
    return G_prob

def discriminator(x):#定义D，传入样本x，返回D的输出和没有经过激活函数的输出。
    D_h1 = tf.nn.relu(tf.matmul(x, D_W1) + D_b1)#D_h1中间层经过激活函数后的输出
    D_logit = tf.matmul(D_h1, D_W2) + D_b2#D输出层没有经过激活函数的输出
    D_prob = tf.nn.sigmoid(D_logit)#D输出层经过激活函数后的输出
    return D_prob, D_logit

def sample_Z(m, n):#随机噪声向量的生成，维度为m*n
    return np.random.uniform(-1., 1., size=[m, n])

def plot(samples):#画图
    fig = plt.figure(figsize=(4, 4))
    gs = gridspec.GridSpec(4, 4)
    gs.update(wspace=0.05, hspace=0.05)
    for i, sample in enumerate(samples):  # [i,samples[i]] imax=16
        ax = plt.subplot(gs[i])
        plt.axis('off')
        ax.set_xticklabels([])
        ax.set_yticklabels([])
        ax.set_aspect('equal')
        plt.imshow(sample.reshape(28, 28), cmap='Greys_r')
    return fig

mb_size = 128
Z_dim = 100
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)#mnist数据集 one_hot是为了让标签二元，即只有0和1.

# discriminater net
X = tf.placeholder(tf.float32, shape=[None, 784], name='X') #样本x的shape是【batchsize】【784】
D_W1 = weight_var([784, 128], 'D_W1') #D的中间层的w1
D_b1 = bias_var([128], 'D_b1')
D_W2 = weight_var([128, 1], 'D_W2')#D的输出层的w2
D_b2 = bias_var([1], 'D_b2')
theta_D = [D_W1, D_W2, D_b1, D_b2]#D的参数列表

# generator net 
#随机噪声向量z的shape是【batchsize】【100】
Z = tf.placeholder(tf.float32, shape=[None, 100], name='Z')

G_W1 = weight_var([100, 128], 'G_W1')#D的中间层的w1
G_b1 = bias_var([128], 'G_B1')
G_W2 = weight_var([128, 784], 'G_W2')#D的输出层的w2
G_b2 = bias_var([784], 'G_B2')
theta_G = [G_W1, G_W2, G_b1, G_b2]#G的参数列表


G_sample = generator(Z) #调用generator(z)生成G样本
D_real, D_logit_real = discriminator(X)#discriminator(x)辨别样本
D_fake, D_logit_fake = discriminator(G_sample)

# D_loss = -tf.reduce_mean(tf.log(D_real) + tf.log(1. - D_fake))
# G_loss = -tf.reduce_mean(tf.log(D_fake))

#使用交叉熵代价函数，D的目标：对于真实样本，target=1
D_loss_real = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(
    logits=D_logit_real, labels=tf.ones_like(D_logit_real))) 
tf.summary.scalar("D_loss_real", D_loss_real)

#使用交叉熵代价函数，D的目标：对于生成器生成的样本，target=0
D_loss_fake = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(
    logits=D_logit_fake, labels=tf.zeros_like(D_logit_fake)))
tf.summary.scalar("D_loss_fake", D_loss_fake)

#D最后的损失函数为D(真)+D(假)
D_loss = D_loss_real + D_loss_fake 


#使用交叉熵代价函数，G的目标：对于生成器生成的样本，target=1
G_loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(
    logits=D_logit_fake, labels=tf.ones_like(D_logit_fake)))
tf.summary.scalar("G_loss", G_loss)

#使用GradientDescentOptimizer优化器
D_optimizer = tf.train.GradientDescentOptimizer(0.002).minimize(D_loss, var_list=theta_D)
G_optimizer = tf.train.GradientDescentOptimizer(0.002).minimize(G_loss, var_list=theta_G)

# init variables
sess.run(tf.global_variables_initializer())


if not os.path.exists('out/'):
    os.makedirs('out/')
i = 0

summary_op = tf.summary.merge_all()
writer = tf.summary.FileWriter(".mnist_gan",sess.graph)

for it in range(1000000):
    if it % 1000 == 0:
        #生成一个维度为16*100的向量，其值是-1.——1.的随机值。
        samples = sess.run(G_sample, feed_dict={
                           Z: sample_Z(16, Z_dim)})
        fig = plot(samples)
        plt.savefig('out/{}.png'.format(str(i).zfill(3)), bbox_inches='tight')
        i += 1
        plt.close(fig)

    #调用了mnist里的方法，返回x和label
    X_mb, _ = mnist.train.next_batch(mb_size)

    #run(D_optimizer)，开始进行梯度下降。
    #run(D_loss),获得d_loss值
    #D喂入x样本和Z样本
    _, D_loss_curr = sess.run([D_optimizer, D_loss], feed_dict={
                                  X: X_mb, Z: sample_Z(mb_size, Z_dim)}) 

    #G喂入Z样本  
    _, G_loss_curr = sess.run([G_optimizer, G_loss], feed_dict={
                                  Z: sample_Z(mb_size, Z_dim)})
    result = sess.run(summary_op, feed_dict={X: X_mb, Z: sample_Z(mb_size, Z_dim)})
    writer.add_summary(result, i)
    if it % 1000 == 0:
        print('Iter: {}'.format(it)) #用format()里的数字来替换“{}”
        print('D_loss: {:.4}'.format(D_loss_curr))
        print('G_loss: {:.4}'.format(G_loss_curr))
        print()

Tensorflow函数基础整理：

initializer变量初始化

  • tf.constant_initializer(value)

    功能：将变量初始化为给定的常量,初始化一切所提供的值。

  • tf.random_normal_initializer(mean,stddev)

功能：将变量初始化为满足正态分布的随机值，主要参数（正太分布的均值和标准差），用所给的均值和标准差初始化均匀分布。

  • tf.truncated_normal_initializer(mean,stddev,seed,dtype)

    mean:用于指定均值；stddev用于指定标准差；

    seed:用于指定随机数种子；dtype：用于指定随机数的数据类型。

    功能：将变量初始化为满足正态分布的随机值，但如果随机出来的值偏离平均值超过2个标准差，那么这个数将会被重新随机，通常只需要设定一个标准差stddev这一个参数就可以。

  • tf.random_uniform_initializer(a,b,seed,dtype)

    功能：从a到b均匀初始化，将变量初始化为满足平均分布的随机值，主要参数（最大值，最小值）

优化器构造

  • compute_gradients(loss,var_list=None,gate_gradients=GATE_OP,aggregation_method=None,colocate_gradients_with_ops=False,grad_loss=None)

    作用：对于在变量列表（var_list）中的变量计算对于损失函数的梯度,这个函数返回一个（梯度，变量）对的列表，其中梯度就是相对应变量的梯度了。这是minimize()函数的第一个部分，

    参数：

    1. loss: 待减小的值；
    2. var_list: 默认是在GraphKey.TRAINABLE_VARIABLES.

  • apply_gradients(grads_and_vars,global_step=None,name=None)

    作用：把梯度“应用”（Apply）到变量上面去。其实就是按照梯度下降的方式加到上面去。这是minimize()函数的第二个步骤。 返回一个应用的操作。

    参数:

    1. grads_and_vars: compute_gradients()函数返回的(gradient, variable)对的列表

    2. global_step: Optional Variable to increment by one after the variables have been updated.

  • minimize(loss,global_step=None,var_list=None,gate_gradients=GATE_OP,aggregation_method=None,colocate_gradients_with_ops=False,name=None,grad_loss=None)

TF初始化：

  • sess.run(tf.global_variables_initializer())

    解析：函数中调用了 variable_initializer() 和 global_variables()

    global_variables() 返回一个 Variable list ，里面保存的是 gloabal variables。variable_initializer() 将 Variable list 中的所有 Variable 取出来，将其 variable.initializer 属性做成一个 op group。然后看 Variable 类的源码可以发现， variable.initializer 就是一个 assign op。

    所以： sess.run(tf.global_variables_initializer()) 就是 run了所有global Variable 的 assign op，这就是初始化参数的本来面目。

【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/lwp-nicol/p/14656331.html