当前位置:   article > 正文

keras 实现GAN(生成对抗网络)_keras gan

keras gan

本文将介绍如何在Keras中以最小的形式实现GAN。具体实现是一个深度卷积GAN,或DCGAN:一个GAN,其中generator和discriminator是深度卷积网络,它利用`Conv2DTranspose`层对generator中的图像上采样。
然后将在CIFAR10的图像上训练GAN,CIFAR10数据集由属于10个类别(每个类别5,000个图像)的50,000个32x32 RGB图像构成。为了节约时间,本文将只使用“frog”类的图像。
原理上,GAN的组成如下所示:
 *`generator`网络将shape`(latent_dim,)`的矢量映射到shape`(32,32,3)`的图像。
*“discriminator”网络将形状(32,32,3)的图像映射到估计图像是真实的概率的二进制分数。
 *`gan`网络将generator和discriminator链接在一起:`gan(x)=discriminator(generator(x))`。因此,这个“gan”网络将潜在空间向量映射到discriminator对由generator解码的这些潜在向量的真实性的评估。
*使用真实和虚假图像以及“真实”/“假”标签来训练鉴别器,因此需要训练任何常规图像分类模型。
 *为了训练generator,我们使用generator权重的梯度来减少“gan”模型的损失。这意味着,在每个step中,将generator的权重移动到使得discriminator更可能被分类为由generator解码的图像“真实”的方向上。即训练generator来欺骗discriminator。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/Guff_9hys/article/detail/744659
推荐阅读
相关标签
  

闽ICP备14008679号