一，mnist数据集
形如上图的数字手写体就是mnist数据集。
二，GAN原理(生成对抗网络)
GAN网络一共由两部分组成：一个是伪造器(Generator，简称G)，一个是判别器(Discrimniator，简称D)
一开始，G由服从某几个分布(如高斯分布)的噪音组成，生成的图片不断送给D判断是否正确，直到G生成的图片连D都判断以为是真的。D每一轮除了看过G生成的假图片以外，还要见数据集中的真图片，以前者和后者得到的损失函数值为依据更新D网络中的权值。因此G和D都在不停地更新权值。以下图为例：
在v1时的G只不过是 一堆噪声，见过数据集(real images)的D肯定能判断出G所生成的是假的。当然G也能知道D判断它是假的这个结果，因此G就会更新权值，到v2的时候，G就能生成更逼真的图片来让D判断，当然在v2时D也是会先看一次真图片，再去判断G所生成的图片。以此类推，不断循环就是GAN的思想。
三，训练代码
import argparse
import os
import numpy as np
import math
import torchvision.transforms as transforms
from torchvision.utils import save_image
from torch.utils.data import DataLoader
from torchvision import datasets
from torch.autograd import Variable
import torch.nn as nn
import torch.nn.functional as F
import torch
os.makedirs("images",exist_ok=True)
parser = argparse.ArgumentParser()
parser.add_argument("--n_epochs",type=int,default=200,help="number of epochs of training")
parser.add_argument("--batch_size",default=64,help="size of the batches")
parser.add_argument("--lr",type=float,default=0.0002,help="adam: learning rate")
parser.add_argument("--b1",default=0.5,help="adam: decay of first order momentum of gradient")
parser.add_argument("--b2",default=0.999,help="adam: decay of first order momentum of gradient")
parser.add_argument("--n_cpu",default=8,help="number of cpu threads to use during batch generation")
parser.add_argument("--latent_dim",default=100,help="dimensionality of the latent space")
parser.add_argument("--img_size",default=28,help="size of each image dimension")
parser.add_argument("--channels",default=1,help="number of image channels")
parser.add_argument("--sample_interval",default=400,help="interval betwen image samples")
opt = parser.parse_args()
print(opt)
img_shape = (opt.channels,opt.img_size,opt.img_size) # 确定图片输入的格式为(1，28，28)，由于mnist数据集是灰度图所以通道为1
cuda = True if torch.cuda.is_available() else False
class Generator(nn.Module):
def __init__(self):
super(Generator,self).__init__()
def block(in_feat,out_feat,normalize=True):
layers = [nn.Linear(in_feat,out_feat)]
if normalize:
layers.append(nn.BatchNorm1d(out_feat,0.8))
layers.append(nn.LeakyReLU(0.2,inplace=True))
return layers
self.model = nn.Sequential(
*block(opt.latent_dim,128,normalize=False),*block(128,256),*block(256,512),*block(512,1024),nn.Linear(1024,int(np.prod(img_shape))),nn.Tanh()
)
def forward(self,z):
img = self.model(z)
img = img.view(img.size(0),*img_shape)
return img
class Discriminator(nn.Module):
def __init__(self):
super(Discriminator,self).__init__()
self.model = nn.Sequential(
nn.Linear(int(np.prod(img_shape)),nn.LeakyReLU(0.2,inplace=True),nn.Linear(512,nn.Linear(256,1),nn.Sigmoid(),)
def forward(self,img):
img_flat = img.view(img.size(0),-1)
validity = self.model(img_flat)
return validity
# Loss function
adversarial_loss = torch.nn.BCELoss()
# Initialize generator and discriminator
generator = Generator()
discriminator = Discriminator()
if cuda:
generator.cuda()
discriminator.cuda()
adversarial_loss.cuda()
# Configure data loader
os.makedirs("../../data/mnist",exist_ok=True)
dataloader = torch.utils.data.DataLoader(
datasets.MNIST(
"../../data/mnist",train=True,download=True,transform=transforms.Compose(
[transforms.Resize(opt.img_size),transforms.ToTensor(),transforms.Normalize([0.5],[0.5])]
),),batch_size=opt.batch_size,shuffle=True,)
# Optimizers
optimizer_G = torch.optim.Adam(generator.parameters(),lr=opt.lr,betas=(opt.b1,opt.b2))
optimizer_D = torch.optim.Adam(discriminator.parameters(),opt.b2))
Tensor = torch.cuda.FloatTensor if cuda else torch.FloatTensor
# ----------
# Training
# ----------
if __name__ == '__main__':
for epoch in range(opt.n_epochs):
for i,(imgs,_) in enumerate(dataloader):
# print(imgs.shape)
# Adversarial ground truths
valid = Variable(Tensor(imgs.size(0),1).fill_(1.0),requires_grad=False) # 全1
fake = Variable(Tensor(imgs.size(0),1).fill_(0.0),requires_grad=False) # 全0
# Configure input
real_imgs = Variable(imgs.type(Tensor))
# -----------------
# Train Generator
# -----------------
optimizer_G.zero_grad() # 清空G网络 上一个batch的梯度
# Sample noise as generator input
z = Variable(Tensor(np.random.normal(0,1,(imgs.shape[0],opt.latent_dim)))) # 生成的噪音，均值为0方差为1维度为(64，100)的噪音
# Generate a batch of images
gen_imgs = generator(z)
# Loss measures generator's ability to fool the discriminator
g_loss = adversarial_loss(discriminator(gen_imgs),valid)
g_loss.backward() # g_loss用于更新G网络的权值，g_loss于D网络的判断结果 有关
optimizer_G.step()
# ---------------------
# Train Discriminator
# ---------------------
optimizer_D.zero_grad() # 清空D网络 上一个batch的梯度
# Measure discriminator's ability to classify real from generated samples
real_loss = adversarial_loss(discriminator(real_imgs),valid)
fake_loss = adversarial_loss(discriminator(gen_imgs.detach()),fake)
d_loss = (real_loss + fake_loss) / 2
d_loss.backward() # d_loss用于更新D网络的权值
optimizer_D.step()
print(
"[Epoch %d/%d] [Batch %d/%d] [D loss: %f] [G loss: %f]"
% (epoch,opt.n_epochs,i,len(dataloader),d_loss.item(),g_loss.item())
)
batches_done = epoch * len(dataloader) + i
if batches_done % opt.sample_interval == 0:
save_image(gen_imgs.data[:25],"images/%d.png" % batches_done,nrow=5,normalize=True) # 保存一个batchsize中的25张
if (epoch+1) %2 ==0:
print('save..')
torch.save(generator,'g%d.pth' % epoch)
torch.save(discriminator,'d%d.pth' % epoch)
运行结果：
一开始时，G生成的全是杂音：
然后逐渐呈现数字的雏形：
最后一次生成的结果：
四，测试代码：
导入最后保存生成器的模型：
from gan import Generator,Discriminator
import torch
import matplotlib.pyplot as plt
from torch.autograd import Variable
import numpy as np
from torchvision.utils import save_image
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
Tensor = torch.cuda.FloatTensor
g = torch.load('g199.pth') #导入生成器Generator模型
#d = torch.load('d.pth')
g = g.to(device)
#d = d.to(device)
z = Variable(Tensor(np.random.normal(0,(64,100)))) #输入的噪音
gen_imgs =g(z) #生产图片
save_image(gen_imgs.data[:25],"images.png",normalize=True)
生成结果：
以上这篇pytorch GAN伪造手写体mnist数据集方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。
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。