如何解决使用Keras GAN架构生成一系列值
我正在尝试生成类似的内容:
这是我的真实数据函数(我正在尝试模仿)中的随机样本。
numbers = [ 54.,87.,103.,209.,356.,371.,383.,448.,452.,38.,37.,30.,22.,24.,48.,52.,61.,66.,150.,163.,406.,545.,557.,566.,508.,413.,26.,12.,19.,28.,90.,93.,126.,155.,362.,476.,470.,455.,410.,345.,252.,233.,62.,45.,42.,40.,27.,16.,18.,21.,63.,67.,96.,177.,228.,331.,382.,183.,31.,14.,13.,23.,68.,104.,179.,273.,428.,446.,388.,77.,4.,0.,0.]
生成器和鉴别器的外观如何?
这是我尝试创建G&D的尝试:
def create_G(num=100):
G_in = Input(shape=num)
x = Dense(num/2,activation=LeakyReLU())(G_in)
x = Dropout(0.5)(x)
x = Dense(num/4,activation=LeakyReLU())(x)
x = Dropout(0.5)(x)
x = Dense(num)(x)
G = Model(G_in,x)
G.compile(loss='binary_crossentropy',optimizer=Adam(learning_rate=0.001))
return G
def create_D(num=100):
D_in = Input(shape=num)
x = Reshape((-1,1))(D_in)
x = Conv1D(num,3,activation='relu')(x)
x = Dropout(0.5)(x)
x = Flatten()(x)
x = Dense(2,activation='sigmoid')(x)
D = Model(D_in,x)
D.compile(loss='binary_crossentropy',optimizer=Adam(lr=0.003))
return D
我正在用正确的例子训练真实的例子。
但是我的G不能愚弄D。
这是蓝色的G.predict(noise)
值与橙色的实际值进行比较的示例。
我想念什么?
感谢对不同体系结构的任何建议。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。