本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.
目录
(2条消息) tensorflow零基础入门学习_重邮研究森的博客-CSDN博客_tensorflow 学习 https://blog.csdn.net/m0_60524373/article/details/124143223 https://blog.csdn.net/m0_60524373/article/details/124143223>- 本文为[365天深度学习训练营](https://mp.weixin.qq.com/s/k-vYaC8l7uxX51WoypLkTw) 中的学习记录博客
本文开发环境：tensorflowgpu2.5，经过验证，2.4也可以运行
1.跑通代码
我这个人对于任何代码，我都会先去跑通之和才会去观看内容，哈哈哈，所以第一步我们先不管37=21，直接把博主的代码复制黏贴一份运行结果。（PS：做了一些修改，因为原文是jupyter，而我在pycharm）
import tensorflow as tf
gpus = tf.config.list_physical_devices("GPU")
if gpus:
tf.config.experimental.set_memory_growth(gpus[0], True) # 设置GPU显存用量按需使用
tf.config.set_visible_devices([gpus[0]], "GPU")
# 打印显卡信息，确认GPU可用
print(gpus)
from tensorflow.keras import layers, datasets, Sequential, Model, optimizers
from tensorflow.keras.layers import LeakyReLU, UpSampling2D, Conv2D
import matplotlib.pyplot as plt
import numpy as np
import sys,os,pathlib
img_shape = (28, 28, 1)
latent_dim = 200
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'),
layers.Reshape(img_shape)
])
noise = layers.Input(shape=(latent_dim,))
img = model(noise)
return Model(noise, img)
def build_discriminator():
# ===================================== #
# 鉴别器，对输入的图片进行判别真假
# ===================================== #
model = Sequential([
layers.Flatten(input_shape=img_shape),
layers.Dense(512),
layers.LeakyReLU(alpha=0.2),
layers.Dense(256),
layers.LeakyReLU(alpha=0.2),
layers.Dense(1, activation='sigmoid')
])
img = layers.Input(shape=img_shape)
validity = model(img)
return Model(img, validity)
# 创建判别器
discriminator = build_discriminator()
# 定义优化器
optimizer = tf.keras.optimizers.Adam(1e-4)
discriminator.compile(loss='binary_crossentropy',
optimizer=optimizer,
metrics=['accuracy'])
# 创建生成器
generator = build_generator()
gan_input = layers.Input(shape=(latent_dim,))
img = generator(gan_input)
# 在训练generate的时候不训练discriminator
discriminator.trainable = False
# 对生成的假图片进行预测
validity = discriminator(img)
combined = Model(gan_input, validity)
combined.compile(loss='binary_crossentropy', optimizer=optimizer)
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)
# fig.savefig(" E:/2021_Project_YanYiXia/AI/21/对抗网络（GAN）手写数字生成/images/%05d.png" % epoch)
plt.close()
def train(epochs, batch_size=128, sample_interval=50):
# 加载数据
(train_images, _), (_, _) = tf.keras.datasets.mnist.load_data()
# 将图片标准化到 [-1, 1] 区间内
train_images = (train_images - 127.5) / 127.5
# 数据
train_images = np.expand_dims(train_images, axis=3)
# 创建标签
true = np.ones((batch_size, 1))
fake = np.zeros((batch_size, 1))
# 进行循环训练
for epoch in range(epochs):
# 随机选择 batch_size 张图片
idx = np.random.randint(0, train_images.shape[0], batch_size)
imgs = train_images[idx]
# 生成噪音
noise = np.random.normal(0, 1, (batch_size, latent_dim))
# 生成器通过噪音生成图片，gen_imgs的shape为：(128, 28, 28, 1)
gen_imgs = generator.predict(noise)
# 训练鉴别器
d_loss_true = discriminator.train_on_batch(imgs, true)
d_loss_fake = discriminator.train_on_batch(gen_imgs, fake)
# 返回loss值
d_loss = 0.5 * np.add(d_loss_true, d_loss_fake)
# 训练生成器
noise = np.random.normal(0, 1, (batch_size, latent_dim))
g_loss = combined.train_on_batch(noise, true)
print("%d [D loss: %f, acc.: %.2f%%] [G loss: %f]" % (epoch, d_loss[0], 100 * d_loss[1], g_loss))
# 保存样例图片
if epoch % sample_interval == 0:
sample_images(epoch)
#train(epochs=30000, batch_size=256, sample_interval=200)
import imageio
def compose_gif():
# 图片地址
data_dir = "E:/2021_Project_YanYiXia/AI/21/对抗网络（GAN）手写数字生成/images"
data_dir = pathlib.Path(data_dir)
paths = list(data_dir.glob('*'))
gif_images = []
for path in paths:
print(path)
gif_images.append(imageio.imread(path))
imageio.mimsave("test.gif", gif_images, fps=2)
compose_gif()
点击pycharm运行即可得到结果，此图为对抗网络生成的手写数字
2.代码分析
神经网络的整个过程我分为如下六部分，而我们也会对这六部分进行逐部分分析。那幺这6部分分别是： 但是 ：这里是对抗网络，和传统方法有区别，因此六步法不适用了，我们将重新分析。
五步法：
1->import
2->设置生成器和判别器
3->创建生成器和判别器
4->训练模型
5->验证
2.1
导入：这里很容易理解，也就是导入本次实验内容所需要的各种库。在本案例中主要包括以下部分：
蓝框1：
设置电脑gpu工作，如果你的电脑没有gpu就不设置，或者你的gpu显存不够，训练时出问题了，那幺就设在为cpu模式
蓝框2：
导入各种库
对于这里的话我们可以直接复制黏贴，当需要一些其他函数时，只需要添加对应的库文件即可。
2.2
这里是设置生成器和判别器。其中对于生成器和判别器的详细解释可以参考下面这个链接。
四天搞懂生成对抗网络（一）——通俗理解经典GAN – 知乎 (zhihu.com) https://zhuanlan.zhihu.com/p/307527293 总之，我们需要清楚的一点是，对抗网络中：
生成器：根据随机数生成一些“以假乱真”的数据集
判别器：对生成器“以假乱真”的数据集和真实的数据集进行判别
两者在训练过程中都会不断进行优化，生成器会不断生成更多“更真”的数据，判别器会“检测”的更仔细。
下面进行详细代码解释：
蓝框 1：
这里设置我们的图片格式和输入的维度
蓝框2：
这里引入了alpha激活函数，批标准化，prod函数。
先设置网络层，然后把噪音当作输入层，img当作输出层。
这部分为判别器。
输入是之前噪音生成的img，输出是真或者假
很有趣的一点，生成器和判别器的网络模型基本上是对折的！
2.3
在生成器和判别器都定义好之后，我们可以创建它们
蓝框1：
设置优化器，关于优化器的参数设置可以参考文章开头我之前写的一篇基础文章
蓝框2：
创建生成器，生成器输入为噪音维度的数，输出是图片数据
蓝框3：
在训练生成器的时候不训练判别器
2.4
在完成基础准备工作之后，就可以开始训练了
重点！！！
现在我们来对如何对生成器和判别器训练进行代码解读！！！
蓝框1：
这里就是我们之前文章调用minist数据集制作datset的方法，包括加载数据，数据处理，归一化，修改维度。 同时这里的区别是 ：在标签方面，1为真，0为假，都是根据batch_size来生产的一个列表。
蓝框2：
返回一个随机整型数，范围从低0（包括）到高 train_images.shape[0]（不包括）.另外输出随机数的尺寸为batch_size
总结：这里就是随机获取官方数据集中任意一组图片
蓝框3：
从正态（高斯）分布中抽取随机样本。其中样本尺寸为(batch_size, latent_dim)
根据噪音的随机情况可以生成随机的一个图片数据
蓝框4：
discriminator.train_on_batch(imgs, true)的意思是，输入为img，输出为true，返回结果为loss
把真实数据和假数据的loss计算出来为总loss
蓝框5
从正态（高斯）分布中抽取随机样本。其中样本尺寸为(batch_size, latent_dim)
根据噪音的随机情况然后利用 combined.train_on_batch(noise, true)的意思是，输入为noise，输出为true，返回结果为loss
蓝框6
打印每轮的损失函数信息
蓝框7
执行训练
2.5
训练结束后，我们可以观察训练的结果
上面是生成tif动图代码
上面是保存样例图片代码
Be First to Comment