体育网站建设,深圳方维网络,做网站后台主要负责什么,免费做图网站有哪些目录
生成算法
生成对抗网络#xff08;GAN#xff09;
“生成”部分
“对抗性”部分
GAN如何运作#xff1f;
培训GAN的技巧#xff1f;
GAN代码示例
如何改善GAN#xff1f;
结论 生成算法
您可以将生成算法分组到三个桶中的一个#xff1a;
鉴于标签#…目录
生成算法
生成对抗网络GAN
“生成”部分
“对抗性”部分
GAN如何运作
培训GAN的技巧
GAN代码示例
如何改善GAN
结论 生成算法
您可以将生成算法分组到三个桶中的一个
鉴于标签他们预测相关的功能朴素贝叶斯给定隐藏的表示他们预测相关的特征变分自动编码器生成对抗网络鉴于一些功能他们预测其余的修复插补
我们将探索生成对抗网络的一些基础知识GAN具有令人难以置信的潜力因为他们可以学习模仿任何数据分布。也就是说GAN可以学习在任何领域创造类似于我们自己的世界图像音乐语音。 生成对抗网络GAN
“生成”部分
叫做发电机。给定某个标签尝试预测功能。EX鉴于电子邮件被标记为垃圾邮件预测生成电子邮件的文本。生成模型学习各个类的分布。
“对抗性”部分
称为判别者。鉴于这些功能尝试预测标签。EX根据电子邮件的文本预测区分垃圾邮件或非垃圾邮件。判别模型学习了类之间的界限。
GAN如何运作
一个称为Generator的神经网络生成新的数据实例而另一个神经网络Discriminator则评估它们的真实性。
您可以将GAN视为伪造者发电机和警察Discriminator之间的猫捉老鼠游戏。伪造者正在学习制造假钱警察正在学习如何检测假钱。他们都在学习和提高。伪造者不断学习创造更好的假货并且警察在检测它们时不断变得更好。最终的结果是伪造者发电机现在接受了培训可以创造出超现实的金钱
让我们用MNIST手写数字数据集探索一个具体的例子 我们将让Generator创建新的图像如MNIST数据集中的图像它取自现实世界。当从真实的MNIST数据集中显示实例时Discriminator的目标是将它们识别为真实的。
同时Generator正在创建传递给Discriminator的新图像。它是这样做的希望它们也将被认为是真实的即使它们是假的。Generator的目标是生成可通过的手写数字以便在不被捕获的情况下进行说谎。Discriminator的目标是将来自Generator的图像分类为假的。 GAN步骤
生成器接收随机数并返回图像。将生成的图像与从实际数据集中获取的图像流一起馈送到鉴别器中。鉴别器接收真实和假图像并返回概率0到1之间的数字1表示真实性的预测0表示假。
两个反馈循环
鉴别器处于反馈循环中具有图像的基本事实它们是真实的还是假的我们知道。发生器与Discriminator处于反馈循环中Discriminator将其标记为真实或伪造无论事实如何。
培训GAN的技巧
在开始训练发生器之前预先识别鉴别器将建立更清晰的梯度。
训练Discriminator时保持Generator值不变。训练发生器时保持Discriminator值不变。这使网络能够更好地了解它必须学习的梯度。
GAN被制定为两个网络之间的游戏重要保持它们的平衡。如果发电机或鉴别器太好GAN可能很难学习。 GAN需要很长时间才能训练。在单个GPU上GAN可能需要数小时在单个CPU上GAN可能需要数天。
GAN代码示例 class GAN():def __init__(self):self.img_rows 28 self.img_cols 28self.channels 1self.img_shape (self.img_rows, self.img_cols, self.channels)optimizer Adam(0.0002, 0.5)# Build and compile the discriminatorself.discriminator self.build_discriminator()self.discriminator.compile(lossbinary_crossentropy, optimizeroptimizer,metrics[accuracy])# Build and compile the generatorself.generator self.build_generator()self.generator.compile(lossbinary_crossentropy, optimizeroptimizer)# The generator takes noise as input and generated imgsz Input(shape(100,))img self.generator(z)# For the combined model we will only train the generatorself.discriminator.trainable False# The valid takes generated images as input and determines validityvalid self.discriminator(img)# The combined model (stacked generator and discriminator) takes# noise as input generates images determines validity self.combined Model(z, valid)self.combined.compile(lossbinary_crossentropy, optimizeroptimizer)def build_generator(self):noise_shape (100,)model Sequential()model.add(Dense(256, input_shapenoise_shape))model.add(LeakyReLU(alpha0.2))model.add(BatchNormalization(momentum0.8))model.add(Dense(512))model.add(LeakyReLU(alpha0.2))model.add(BatchNormalization(momentum0.8))model.add(Dense(1024))model.add(LeakyReLU(alpha0.2))model.add(BatchNormalization(momentum0.8))model.add(Dense(np.prod(self.img_shape), activationtanh))model.add(Reshape(self.img_shape))model.summary()noise Input(shapenoise_shape)img model(noise)return Model(noise, img)def build_discriminator(self):img_shape (self.img_rows, self.img_cols, self.channels)model Sequential()model.add(Flatten(input_shapeimg_shape))model.add(Dense(512))model.add(LeakyReLU(alpha0.2))model.add(Dense(256))model.add(LeakyReLU(alpha0.2))model.add(Dense(1, activationsigmoid))model.summary()img Input(shapeimg_shape)validity model(img)return Model(img, validity)def train(self, epochs, batch_size128, save_interval50):# Load the dataset(X_train, _), (_, _) mnist.load_data()# Rescale -1 to 1X_train (X_train.astype(np.float32) - 127.5) / 127.5X_train np.expand_dims(X_train, axis3)half_batch int(batch_size / 2)for epoch in range(epochs):# ---------------------# Train Discriminator# ---------------------# Select a random half batch of imagesidx np.random.randint(0, X_train.shape[0], half_batch)imgs X_train[idx]noise np.random.normal(0, 1, (half_batch, 100))# Generate a half batch of new imagesgen_imgs self.generator.predict(noise)# Train the discriminatord_loss_real self.discriminator.train_on_batch(imgs, np.ones((half_batch, 1)))d_loss_fake self.discriminator.train_on_batch(gen_imgs, np.zeros((half_batch, 1)))d_loss 0.5 * np.add(d_loss_real, d_loss_fake)# ---------------------# Train Generator# ---------------------noise np.random.normal(0, 1, (batch_size, 100))# The generator wants the discriminator to label the generated samples# as valid (ones)valid_y np.array([1] * batch_size)# Train the generatorg_loss self.combined.train_on_batch(noise, valid_y)# Plot the progressprint (%d [D loss: %f, acc.: %.2f%%] [G loss: %f] % (epoch, d_loss[0], 100*d_loss[1], g_loss))# If at save interval save generated image samplesif epoch % save_interval 0:self.save_imgs(epoch)def save_imgs(self, epoch):r, c 5, 5noise np.random.normal(0, 1, (r * c, 100))gen_imgs self.generator.predict(noise)# Rescale images 0 - 1gen_imgs 0.5 * gen_imgs 0.5fig, axs plt.subplots(r, c)cnt 0for i in range(r):for j in range(c):axs[i,j].imshow(gen_imgs[cnt, :,:,0], cmapgray)axs[i,j].axis(off)cnt 1fig.savefig(gan/images/mnist_%d.png % epoch)plt.close()if __name__ __main__:gan GAN()gan.train(epochs30000, batch_size32, save_interval200)
如何改善GAN
GAN刚刚在2014年发明 – 它们非常新GAN是一个很有前途的生成模型家族因为与其他方法不同它们可以生成非常干净和清晰的图像并学习包含有关基础数据的有价值信息的权重。但是如上所述可能难以使Discriminator和Generator网络保持平衡。有很多正在进行的工作使GAN培训更加稳定。
除了生成漂亮的图片之外还开发了一种利用GAN进行半监督学习的方法该方法涉及鉴别器产生指示输入标签的附加输出。这种方法可以使用极少数标记示例在数据集上实现最前沿结果。例如在MNIST上通过完全连接的神经网络每个类只有10个标记示例实现了99.1的准确度 – 这一结果非常接近使用所有60,000个标记示例的完全监督方法的最佳已知结果。这是非常有希望的因为在实践中获得标记的示例可能非常昂贵。
结论
