GAN生成抛物线

2023-10-10 08:40
文章标签 生成 gan 抛物线

本文主要是介绍GAN生成抛物线,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

本文主要讲解GAN的原理以及一个小实战,利用GAN生成抛物线,首先我们看一下GAN的原理。

GAN是2014年提出来的,他的原理可以这样理解,他有一个生成器和一个判别器,生成器是不断的生成数据,判别器的原理是将真实图片和生成器制作的数据区分开来,目的就是鉴别生成器生成的数据是假的,把原始数据判定为真。为生成器相反,他的目的就是源源不断的生成数据,让判别器无法分辨真假,从而以假乱真。常看到的一个例子就是坏人制作假币,警察差查假币。最终达到判别器无法分辨谁真谁假,也就是对于生成数据,它判断的为假的概率也是0.5,对于一个真实数据,它判断为真的概率也是0.5,这是最理想的状态。

任何一个神经网络模型都有损失函数,对于GAN模型,自然也不例外,他也有损失函数,因为他有丄生成网络和判别网络之分,所以当然是两个损失函数的,我们先看判别网路的损失函数,

min (-log(D(x)) -log(1-D(G(x))))
这个就是判别网络的损失函数,这样理解,我们把真实数据判定为1是对的,把生成网络生成的数据判定为0是对的,也就是我们把真实数据判定为1那么损失函数越小,把生成数据判定为0,判别网络损失函数越小,然后我们再看损失函数,不难发现,要想损失函数越小,D(x)越接近1越好,这里x表示真实数据输入判别网络,可以看出D(G(x))越接近0损失越小,其中G(x)表示生成网络的输出输入判别网络。这也很符合我们平时的理解。再看生成网络的损失函数

min(-log(D(G(x)))
从生成网络我们可以看出,生成网络的目的是让D(G(x))越接近1越好,越就是D(G(x))越接近1,损失函数越小,这就和判别网络矛盾了,那就形成了竞争。

有了这些理论,我们再看实际代码实现生成抛物线的对抗神经网络:

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as pltnp.random.seed(2018)
tf.set_random_seed(2018)def real_data(num):#x = np.random.uniform(-10,10,[num,1])x = np.linspace(-3,3, num) + np.random.random(num) * 0.01x = x.reshape([-1,1])#sample = np.sin(x) + 1sample = x**2 +1return x,sampledef fake_data(num):x = np.linspace(-3,3, num) + np.random.random(num) * 0.01return x.reshape([-1,1])batch_size = 64
iters = 2000
#hidden_units = batch_size//2
alpha = 0.01
lr = 0.0001
#gen_num = 10
# out_dim = Nonedef generator(inputs,alpha,reuse=False):# out_dim 表示输出的大小,最后一层全连接层输出的大小,所以和batch_size大小一样# hidden_units隐藏层神经元的个数# alpha Leaky ReLU激活函数的参数# reuse 是否重用参数变量with tf.variable_scope('generator',reuse=reuse) as scope:hidden_1 = tf.layers.dense(inputs, 64, activation=None)ac1 = tf.maximum(alpha * hidden_1, hidden_1)#ac1 = tf.nn.tanh( hidden_1)bn1 = tf.layers.batch_normalization(ac1)hidden_2 = tf.layers.dense(bn1, 128, activation=None)ac2 = tf.maximum(alpha * hidden_2, hidden_2)#ac2 = tf.nn.tanh(hidden_2)bn2 = tf.layers.batch_normalization(ac2)hidden_3 = tf.layers.dense(bn2, 256, activation=None)ac3 = tf.maximum(alpha *hidden_3, hidden_3)#ac3 = tf.nn.tanh(ac2)bn3 = tf.layers.batch_normalization(ac3)out = tf.layers.dense(bn3,1,activation=None)return outdef discriminator(discr_input,alpha,reuse=False,name='discriminator'):# discr_input 判别器的输入# alpha Leaky ReLU激活函数的参数# hidden_units 隐藏层的神经元个数# reuse 是否重用变量with tf.variable_scope(name,reuse=reuse) as scope:hidden_1 = tf.layers.dense(discr_input,units=64,activation=None)#ac1 = tf.maximum(alpha*hidden_1,hidden_1)ac1 = tf.nn.tanh(hidden_1)hidden_2 = tf.layers.dense(ac1, units=128, activation=None)#ac2 = tf.maximum(alpha * hidden_2, hidden_2)ac2 = tf.nn.tanh(hidden_2)hidden_3 = tf.layers.dense(ac2, units=128, activation=None)#ac3 = tf.maximum(alpha * hidden_3, hidden_3)ac3 = tf.nn.tanh(hidden_3)logits = tf.layers.dense(ac3,1,activation=None)out = tf.nn.sigmoid(logits)return logits,out
def plot_data(gen_x,gen_y):x_r,y_r = real_data(64)plt.scatter(x_r, y_r, label='real data')plt.scatter(gen_x,gen_y, label='generated data')plt.title('GAN')plt.xlabel('x')plt.ylabel('y')plt.legend()plt.show()with tf.name_scope('gen_input') as scope:gen_input = tf.placeholder(dtype=tf.float32,shape=[None,1],name='gen_input')
with tf.name_scope('discriminator_input') as scope:real_input = tf.placeholder(dtype=tf.float32, shape=[None, 1], name='real_input')out_gen = generator(gen_input,alpha,reuse=False)real_logits,label_real = discriminator(real_input,alpha,reuse=False)
logits_gen,label_fake = discriminator(out_gen,alpha,reuse=True)with tf.name_scope('discr_train') as scope:train_input = tf.placeholder(dtype=tf.float32, shape=[None, 1], name='train_input')
train_disc = discriminator(train_input,alpha,reuse=False,name='train_dis')
para = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope='train_dis')
train_loss = tf.reduce_mean(tf.square(train_disc-train_input))#with tf.Session() as sess:
#    sess.run(tf.global_variables_initializer())with tf.name_scope('metrics') as name:loss_g = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=tf.ones_like(logits_gen)*0.99,logits=logits_gen))loss_d_fake = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=tf.zeros_like(logits_gen),logits=logits_gen))loss_d_real = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(labels=tf.ones_like(real_logits)*0.99, logits=real_logits))loss_d = loss_d_fake+loss_d_realvar_list_g = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES,scope='generator')var_list_d = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES,scope='discriminator')d_optimizer = tf.train.AdamOptimizer(lr).minimize(loss_d,var_list=var_list_d)g_optimizer = tf.train.AdamOptimizer(lr).minimize(loss_g,var_list=var_list_g)with tf.Session() as sess:sess.run(tf.global_variables_initializer())saver = tf.train.Saver()writer = tf.summary.FileWriter('./graph/gan',sess.graph)# for i in range(1000):#     _, real = real_data(batch_size)#     _ = sess.run(train_loss,feed_dict={train_input:real})# train_weig = sess.run(para)# for i in range(len((var_list_d))):#     sess.run(var_list_d[i].assign(train_weig[i]))for iter in range(iters):_,real = real_data(batch_size)fake = fake_data(batch_size)_,train_loss_d = sess.run([d_optimizer,loss_d],feed_dict={real_input:real,gen_input: fake})_, train_loss_g = sess.run([g_optimizer, loss_g], feed_dict={gen_input: fake})fake = fake_data(batch_size)_, train_loss_g = sess.run([g_optimizer, loss_g], feed_dict={gen_input: fake})fake = fake_data(batch_size)_, train_loss_g = sess.run([g_optimizer, loss_g], feed_dict={gen_input: fake})if iter % 200 == 0:print(train_loss_d)print(train_loss_g)gen_x = np.linspace(-3,3,500).reshape([-1,1])gen_y = sess.run(out_gen,feed_dict={gen_input:gen_x})plot_data(gen_x, gen_y)saver.save(sess, "./checkpoints/gen")writer.close()
下面展示一个训练过程的图像:

在做这个的时候,我试图生成正弦曲线,但是效果比较差,我猜测是和正弦函数泰勒展开有关系,又知道的希望提点一下。






这篇关于GAN生成抛物线的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/179335

相关文章

Java编译生成多个.class文件的原理和作用

《Java编译生成多个.class文件的原理和作用》作为一名经验丰富的开发者,在Java项目中执行编译后,可能会发现一个.java源文件有时会产生多个.class文件,从技术实现层面详细剖析这一现象... 目录一、内部类机制与.class文件生成成员内部类(常规内部类)局部内部类(方法内部类)匿名内部类二、

使用Jackson进行JSON生成与解析的新手指南

《使用Jackson进行JSON生成与解析的新手指南》这篇文章主要为大家详细介绍了如何使用Jackson进行JSON生成与解析处理,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1. 核心依赖2. 基础用法2.1 对象转 jsON(序列化)2.2 JSON 转对象(反序列化)3.

java中使用POI生成Excel并导出过程

《java中使用POI生成Excel并导出过程》:本文主要介绍java中使用POI生成Excel并导出过程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录需求说明及实现方式需求完成通用代码版本1版本2结果展示type参数为atype参数为b总结注:本文章中代码均为

在java中如何将inputStream对象转换为File对象(不生成本地文件)

《在java中如何将inputStream对象转换为File对象(不生成本地文件)》:本文主要介绍在java中如何将inputStream对象转换为File对象(不生成本地文件),具有很好的参考价... 目录需求说明问题解决总结需求说明在后端中通过POI生成Excel文件流,将输出流(outputStre

C/C++随机数生成的五种方法

《C/C++随机数生成的五种方法》C++作为一种古老的编程语言,其随机数生成的方法已经经历了多次的变革,早期的C++版本使用的是rand()函数和RAND_MAX常量,这种方法虽然简单,但并不总是提供... 目录C/C++ 随机数生成方法1. 使用 rand() 和 srand()2. 使用 <random

Flask 验证码自动生成的实现示例

《Flask验证码自动生成的实现示例》本文主要介绍了Flask验证码自动生成的实现示例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习... 目录生成图片以及结果处理验证码蓝图html页面展示想必验证码大家都有所了解,但是可以自己定义图片验证码

Python如何在Word中生成多种不同类型的图表

《Python如何在Word中生成多种不同类型的图表》Word文档中插入图表不仅能直观呈现数据,还能提升文档的可读性和专业性,本文将介绍如何使用Python在Word文档中创建和自定义各种图表,需要的... 目录在Word中创建柱形图在Word中创建条形图在Word中创建折线图在Word中创建饼图在Word

nginx生成自签名SSL证书配置HTTPS的实现

《nginx生成自签名SSL证书配置HTTPS的实现》本文主要介绍在Nginx中生成自签名SSL证书并配置HTTPS,包括安装Nginx、创建证书、配置证书以及测试访问,具有一定的参考价值,感兴趣的可... 目录一、安装nginx二、创建证书三、配置证书并验证四、测试一、安装nginxnginx必须有"-

Java实战之利用POI生成Excel图表

《Java实战之利用POI生成Excel图表》ApachePOI是Java生态中处理Office文档的核心工具,这篇文章主要为大家详细介绍了如何在Excel中创建折线图,柱状图,饼图等常见图表,需要的... 目录一、环境配置与依赖管理二、数据源准备与工作表构建三、图表生成核心步骤1. 折线图(Line Ch

浅析如何使用Swagger生成带权限控制的API文档

《浅析如何使用Swagger生成带权限控制的API文档》当涉及到权限控制时,如何生成既安全又详细的API文档就成了一个关键问题,所以这篇文章小编就来和大家好好聊聊如何用Swagger来生成带有... 目录准备工作配置 Swagger权限控制给 API 加上权限注解查看文档注意事项在咱们的开发工作里,API