ACGAN 生成自己手写数字数据集_acgan训练自己的数据集

---

前言

由于有可能使用GAN 网络来做一些数据增强，所以这里复现一下GAN 网络，发现这玩意儿还挺好玩。

一、GAN是什么？

GAN （Generative Adversarial Networks）生成对抗网络，用来生成一下不存在的真实数据。应用场景如下:
1.风格迁移：也就是传说中的AI 画家
2.图像超分辨率重建: 让图像更加清晰
3.生成不存在的真实数据：人脸生成等~

根据训练时带不带标签，GAN 网络是可分为无监督和半监督式的网络。GAN
网络分为两部分，Generator （生成器，图中G）和 Discriminator (判别器，图中D)…
随机生成的噪声，通过生成器，生成我们想要的数据，然后把这个数据和真实数据一起送入到判别器中判断，如果判别器认为输入的是生成数据，那么久训练判别器，如果判别器把生成的数据认为是真的数据，那么就要训练判别器啦~，生成器与判别器两者之间相互博弈，最后让生成器能够成功的欺骗过判别器，那么就可以使用生成器来生成想要的数据啦。

根据前人经验，生成器中的激活函数一般用relu。判别器中的激活函数一般用LeakyReLU

二、ACGAN

1.ACGAN 网络结构

由于ACCGAN 是带有标签的GAN 如果训练得当，应该可以生成想要的数据。看看它的网络结构：

图中，输入到 生成器中的标签 C 和 Z 是随机生成的，但一般都要符合正态分布，生成器生成的假数据，将和真实数据一起输入到判别器中进行判断，真实数据的label 将和判别器输出的label 做损失计算，另一端的输出，只需要判断真假就好。

2.Generator 生成器实现

代码如下：

    def built_generator(self):
        model = Sequential()

        model.add(Dense(128 * 7 * 7, activation='relu', input_dim=self.latent_dim))
        model.add(Reshape((7, 7, 128)))
        model.add(BatchNormalization(momentum=0.8))

        model.add(UpSampling2D())
        model.add(Conv2D(128, kernel_size=3, padding='same', activation='relu'))
        model.add(BatchNormalization(momentum=0.8))

        model.add(UpSampling2D())
        model.add(Conv2D(64, kernel_size=3, padding='same', activation='relu'))
        model.add(BatchNormalization(momentum=0.8))

        # model.add(UpSampling2D())
        model.add(Conv2D(64, kernel_size=3, padding='same', activation='relu'))
        model.add(BatchNormalization(momentum=0.8))

        model.add(Conv2D(self.channels, kernel_size=3, padding='same', activation='tanh'))

        model.summary()

        # -----------------
        # 生成噪声
        # -----------------、
        noise = Input(shape=(self.latent_dim,))
        label = Input(shape=(1,), dtype='int32')

        label_embedding = Flatten()(Embedding(self.num_classes, self.latent_dim)(label))
        # print(Embedding(self.num_classes, self.latent_dim)(label).shape)
        model_input = multiply([noise, label_embedding])

        img = model(model_input)

        return Model([noise, label], img)

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
26
27
28
29
30
31
32
33
34
35
36
37

关于生成器中的参数设置，首先是全连接 7x7x128, 由于手写数字 图片大小为28x28，初始大小设为7x7 后续会通过2次上采样，就会变成14x14 再由14x14 变为28x28 ,还原图片的大小。

注意：如果要训练自己的图片数据，记得计算好图片大小和上采样的次数，每次上采样，特征图会扩大到原来的两倍

3.Discriminator 判别器实现

    def built_discriminator(self):
        model = Sequential()

        model.add(Conv2D(16, kernel_size=3, strides=2, input_shape=self.img_shape, padding='same'))
        model.add(LeakyReLU(alpha=0.2))
        model.add(Dropout(0.25))

        model
1
2
3
4
5
6
7