生成对抗网络GAN_gan先训练生成器后训练判别器

一、生成对抗网络的结构图

GAN分为两部分，包括生成器和判别器，先训练判别器，看做是一个二元分类器，可以判别是生成的图像还是真实图像。当判别器训练到一定阶段，freeze固定住其参数，开始训练生成器。使用生成器生成fake图像，使得判别器可以误认为是real数据（loss很大），训练目标就是让生成器越来越能生成像real的图像。当达到比较好的效果时，再freeze生成器的参数，开始训练判别器，提高判别器的判别能力。以此交替进行，最后模型可以生成很接近real的图像了。

二、GAN_LOSS

例子： 让网络可以生成在x平方 ~ 2*x^2 + 1 之间的数据。

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import numpy as np


torch.manual_seed(1)
np.random.seed(1)

LR_G = 0.0001
LR_D = 0.0001
BATCH_SIZE = 64
N_IDEAS = 5

ART_COMPONETS = 15
# 竖着堆叠 把[-1,1]均匀切割
PAINT_POINTS = np.vstack([np.linspace(-1,1,ART_COMPONETS) for _ in range(BATCH_SIZE)])

# plt.plot(PAINT_POINTS[0], 2 * np.power(PAINT_POINTS[0], 2) + 1, c='#74BCFF', lw=3, label='upper bound')    #2 * x^2 + 1
# plt.plot(PAINT_POINTS[0], 1 * np.power(PAINT_POINTS[0], 2) + 0, c='#FF9359', lw=3, label='lower bound')    #   x^2
# plt.legend(loc='upper right')           #标签位置
# plt.show()


# 获取一个batch的标准区间数据
def artist_work
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25