基于Keras的DCGAN实现

本文主要是介绍基于Keras的DCGAN实现，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！

基于Keras的DCGAN实现

说明：所有图片均来自网络，如有侵权请私信我删

参考资料

• 基于Keras的DCGAN实现的外文博客：GAN by Example using Keras on Tensorflow Backend
• GitHub上关于GAN网络实现技巧文章：How to Train a GAN? Tips and tricks to make GANs work
• 提出DCGAN网络的科技论文：Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks

DCGAN简介

Wikipedia定义

生成对抗网络（Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。

生成对抗网络由一个生成网络与一个判别网络组成。生成网络从潜在空间（latent space）中随机采样作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数，最终目的是使判别网络无法判断生成网络的输出结果是否真实。

通俗解释

这里使用警察和假币制造者的例子进行说明：判别网络就是警察，生成网络就是假币制造者。假币制造者通过随意购买的材料制造伪钞，然后交给警察判别真假，警察将真假货币特征告诉假币制造者，假币制造者改良制造工艺，如此一直循环下去，直到有一天，假币制造者将自己的伪钞给警察的时候，竟然骗过了警察的火眼金睛，达到了以假乱真的程度。

这就是对抗生成网络，Adversarial说明了该网络的方式是通过两个网络的对抗来完成任务的，Generative说明了该网络是用来生成一些不存在的东西的，比如图片，比如诗歌等等。

实现细节

实现代码GitHub地址：https://github.com/theonegis/keras-examples.git

首先，来看一张图，这张图就是GAN的原理图，也是我们实现的指导思想。

所以，代码的核心是实现两个网络，以及训练过程。

判别网络

判别网络的架构如下：我们的输入是一个$28 \times 28 \times 1$的一张图片，中间经过四个卷积层变成 4×4×512

这篇关于基于Keras的DCGAN实现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！

---