python 深度学习 pytorch 人工智能 DCGAN理论讲解及代码实现

目录

DCGAN理论讲解

DCGAN的改进：

 DCGAN的设计技巧

DCGAN纯代码实现 

导入库

导入数据和归一化 

 定义生成器

定义鉴别器 

 初始化和 模型训练

 运行结果

DCGAN理论讲解

DCGAN也叫深度卷积生成对抗网络，DCGAN就是将CNN与GAN结合在一起，生成模型和判别模型都运用了深度卷积神经网络的生成对抗网络。

DCGAN将GAN与CNN相结合，奠定了之后几乎所有GAN的基本网络架构。DCGAN极大地提升了原始GAN训练的稳定性以及生成结果的质量

DCGAN主要是在网络架构上改进了原始的GAN，DCGAN的生成器与判别器都利用CNN架构替换了原始GAN的全连接网络，主要改进之处有如下几个方面，

DCGAN的改进：

（1）DCGAN的生成器和判别器都舍弃了CNN的池化层，判别器保留CNN的整体架构，生成器则是将卷积层替换成了反卷积层。

（2）在判别器和生成器中使用了BatchNormalization(BN)层，这里有助于处理初始化不良导致的训练问题，加速模型训练提升训练的稳定性。要注意，在生成器的输出层和判别器的输入层不使用BN层。

（3）在生成器中除输出层使用Tanh()激活函数，其余层全部使用Relu激活函数，在判别器中，除输出层外所有层都使用LeakyRelu激活函数，防止梯度稀疏

自己画的，凑合着看吧/(*/ω＼*)捂脸/ 

 DCGAN的设计技巧

一，取消所有pooling层，G网络中使用转置卷积进行上采样，D网络中加入stride的卷积（为防止梯度稀疏）代替pooling

二，去掉FC层（全连接），使网络变成全卷积网络

三，G网络中使用Relu作为激活函数，最后一层用Tanh

四，D网络中使用LeakyRelu激活函数

五，在generator和discriminator上都使用batchnorm,解决初始化差的问题，帮助梯度传播到每一层，防止generator把所有的样本都收敛到同一点。直接将BN应用到所有层会导致样本震荡和模型不稳定，因此在生成器的输出层和判别器的输入层不使用BN层，可以防止这种现象。

六，使用Adam优化器

七，参数设置参考:LeakyRelu的斜率是0.2；Learing rate = 0.0002;batch size是128.

DCGAN纯代码实现 

导入库

import torch

import torch.nn as nn

import torch.nn.functional as F

import torch.optim as optim #优化

import numpy as np

import matplotlib.pyplot as plt #绘图

import torchvision #加载图片

from torchvision import transforms #图片变换

导入数据和归一化 

#对数据做归一化（-1，1）

transform=transforms.Compose([

#将shanpe为（H,W，C）的数组或img转为shape为（C,H,W）的tensor

transforms.ToTensor(), #转为张量并归一化到【0，1】；数据只是范围变了，并没有改变分布

transforms.Normalize(mean=0.5,std=0.5)#数据归一化处理，将数据整理到[-1,1]之间；可让数据呈正态分布

])

#下载数据到指定的文件夹

train_ds = torchvision.datasets.MNIST('data/',

train=True,

transform=transform,

download=True)

#数据的输入部分

train_dl=torch.utils.data.DataLoader(train_ds,batch_size=64,shuffle=True)

 定义生成器

使用长度为100的noise作为输入，也可以使用torch.randn(batchsize,100,1,1）

class Generator(nn.Module):

def __init__(self):

super(Generator,self).__init__()

self.linear1 = nn.Linear(100,256*7*7)

self.bn1=nn.BatchNorm1d(256*7*7)

self.deconv1 = nn.ConvTranspose2d(256,128,

kernel_size=(3,3),

stride=1,

padding=1) #生成（128，7，7）的二维图像

self.bn2=nn.BatchNorm2d(128)

self.deconv2 = nn.ConvTranspose2d(128,64,

kernel_size=(4,4),

stride=2,

padding=1) #生成（64，14，14）的二维图像

self.bn3=nn.BatchNorm2d(64)

self.deconv3 = nn.ConvTranspose2d(64,1,

kernel_size=(4,4),

stride=2,

padding=1) #生成（1,28,28）的二维图像

def forward(self,x):

x=F.relu(self.linear1(x))

x=self.bn1(x)

x=x.view(-1,256,7,7)

x=F.relu(self.deconv1(x))

x=self.bn2(x)

x=F.relu(self.deconv2(x))

x=self.bn3(x)

x=torch.tanh(self.deconv3(x))

return x

定义鉴别器 

class Discriminator(nn.Module):

def __init__(self):

super(Discriminator,self).__init__()

self.conv1 = nn.Conv2d(1,64,kernel_size=3,stride=2)

self.conv2 = nn.Conv2d(64,128,kernel_size=3,stride=2)

self.bn = nn.BatchNorm2d(128)

self.fc = nn.Linear(128*6*6,1)

def forward(self,x):

x= F.dropout2d(F.leaky_relu(self.conv1(x)))

x= F.dropout2d(F.leaky_relu(self.conv2(x)) ) #(batch,128,6,6)

x = self.bn(x)

x = x.view(-1,128*6*6) #展平

x = torch.sigmoid(self.fc(x))

return x

 初始化和 模型训练

#设备的配置

device='cuda' if torch.cuda.is_available() else 'cpu'

#初化生成器和判别器把他们放到相应的设备上

gen = Generator().to(device)

dis = Discriminator().to(device)

#交叉熵损失函数

loss_fn = torch.nn.BCELoss()

#训练器的优化器

d_optimizer = torch.optim.Adam(dis.parameters(),lr=1e-5)

#训练生成器的优化器

g_optimizer = torch.optim.Adam(dis.parameters(),lr=1e-4)

def generate_and_save_images(model,epoch,test_input):

prediction = np.squeeze(model(test_input).detach().cpu().numpy())

fig = plt.figure(figsize=(4,4))

for i in range(prediction.shape[0]):

plt.subplot(4,4,i+1)

plt.imshow((prediction[i]+1)/2,cmap='gray')

plt.axis('off')

plt.savefig('image_at_epoch_{:04d}.png'.format(epoch))

plt.show()

test_input = torch.randn(16,100 ,device=device) #16个长度为100的随机数

D_loss = []

G_loss = []

#训练循环

for epoch in range(30):

#初始化损失值

D_epoch_loss = 0

G_epoch_loss = 0

count = len(train_dl.dataset) #返回批次数

#对数据集进行迭代

for step,(img,_) in enumerate(train_dl):

img =img.to(device) #把数据放到设备上

size = img.shape[0] #img的第一位是size,获取批次的大小

random_seed = torch.randn(size,100,device=device)

#判别器训练(真实图片的损失和生成图片的损失),损失的构建和优化

d_optimizer.zero_grad()#梯度归零

#判别器对于真实图片产生的损失

real_output = dis(img) #判别器输入真实的图片，real_output对真实图片的预测结果

d_real_loss = loss_fn(real_output,

torch.ones_like(real_output,device=device)

)

d_real_loss.backward()#计算梯度

#在生成器上去计算生成器的损失，优化目标是判别器上的参数

generated_img = gen(random_seed) #得到生成的图片

#因为优化目标是判别器，所以对生成器上的优化目标进行截断

fake_output = dis(generated_img.detach()) #判别器输入生成的图片，fake_output对生成图片的预测;detach会截断梯度，梯度就不会再传递到gen模型中了

#判别器在生成图像上产生的损失

d_fake_loss = loss_fn(fake_output,

torch.zeros_like(fake_output,device=device)

)

d_fake_loss.backward()

#判别器损失

disc_loss = d_real_loss + d_fake_loss

#判别器优化

d_optimizer.step()

#生成器上损失的构建和优化

g_optimizer.zero_grad() #先将生成器上的梯度置零

fake_output = dis(generated_img)

gen_loss = loss_fn(fake_output,

torch.ones_like(fake_output,device=device)

) #生成器损失

gen_loss.backward()

g_optimizer.step()

#累计每一个批次的loss

with torch.no_grad():

D_epoch_loss +=disc_loss

G_epoch_loss +=gen_loss

#求平均损失

with torch.no_grad():

D_epoch_loss /=count

G_epoch_loss /=count

D_loss.append(D_epoch_loss)

G_loss.append(G_epoch_loss)

generate_and_save_images(gen,epoch,test_input)

print('Epoch:',epoch)

 运行结果

 因篇幅有限，这里展示第一张和最后一张，这里我训练了30个epoch,有条件的可以多训练几次，训练越多效果越明显哦

希望我的文章能对你有所帮助。欢迎点赞 ，评论，关注，⭐️收藏

好文阅读

 您阅读本篇文章共花了：