pytorch构建ANN pytorch搭建gan_生成模型


原论文地址：https://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf

GitHub：https://github.com/eriklindernoren/PyTorch-GAN/blob/master/implementations/gan/gan.py

一、GAN 有什么用？

GAN 即 Generative Adversarial Nets，生成对抗网络，从名字上我们可以得到两个信息：

  1. 首先，它是一个生成模型
  2. 其次，它的训练是通过“对抗”完成的

何为生成模型？即，给个服从某种分布（比如正态分布）随机数，模型就可以给你生成一张人脸、一段文字 etc。它要做的，是找到一种映射关系，将随机数的分布映射成数据的分布。

何为对抗？GAN 除了包含一个生成模型 G 外还包含一个 判别模型 D ，G 输入随机数生成数据，D 输入数据输出置信度，1 表示是真实数据，0 表示为 G 伪造的数据；二者通过反复地对抗，最终理想情况下， G 生成的数据与真实数据非常接近，分布也相同，而 D 无论输出真实数据还是 G 伪造的数据都输出0.5。

二、GAN 的目标函数及流程


pytorch构建ANN pytorch搭建gan_随机数_02


  • max 部分的含义是，D 要尽可能正确地识别出真实数据和 G 伪造的数据。
  • min 部分的含义是，G 要尽可能缩小自己生成的数据与真实数据的差别，让 D 真假难别。

整个训练流程如图：


pytorch构建ANN pytorch搭建gan_随机数_03


在每一步的训练中：

  1. 取 m 个真实数据，使用 G 和 m 组随机数（一般使用服从正态分布的随机数）生成 m 个假数据
  2. 根据 max 部分的目标更新 D 的参数，提高 D 的分辨能力
  3. 根据 min 部分的目标更新 G 的参数，使 G 生成的数据更有迷惑性

三、GAN 的 Pytorch 实现（使用 mnist 数据集）


import


在这个实现中需要注意的一点是，原论文中 G 的训练是希望减小 log(1-D(G(z))，而代码中是使用二值交叉熵BCE(G(z), 1)，即希望提高-log(D(G(x)))，虽然都是希望让 D(G(x)) 趋近于1 ，但数值上还是有细微的不同。