Generative Adversarial Networks 程式碼
阿新 • • 發佈:2020-09-09
GAN實現程式碼
資料集 :double moon dataset
import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import make_moons import torch # 使用GPU訓練,可以在選單 "程式碼執行工具" -> "更改執行時型別" 裡進行設定 device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") # 這是一個展示資料的函式 def plot_data(ax, X, Y, color = 'bone'): plt.axis('off') ax.scatter(X[:, 0], X[:, 1], s=1, c=Y, cmap=color) X, y = make_moons(n_samples=2000, noise=0.05) n_samples = X.shape[0] Y = np.ones(n_samples) fig, ax = plt.subplots(1, 1, facecolor='#4B6EA9') plot_data(ax, X, Y) plt.show()
- 生成器: 32 ==> 128 ==> 2
- 判別器: 2 ==> 128 ==> 1
生成器生成一組座標(x,y),我們希望生成器能夠由一組任意的 32組噪聲生成座標(x,y)處於兩個半月形狀上。
判別器輸入的是一組座標(x,y),最後一層是sigmoid函式,是一個範圍在(0,1)間的數,即樣本為真或者假的置信度。如果輸入的是真樣本,得到的結果儘量接近1;如果輸入的是假樣本,得到的結果儘量接近0。
import torch.nn as nn z_dim = 32 hidden_dim = 128 # 定義生成器 net_G = nn.Sequential( nn.Linear(z_dim,hidden_dim), nn.ReLU(), nn.Linear(hidden_dim,2)) # 定義判別器 net_D = nn.Sequential( nn.Linear(2,hidden_dim), nn.ReLU(), nn.Linear(hidden_dim,1), nn.Sigmoid()) # 網路放到 GPU 上 net_G = net_G.to(device) net_D = net_D.to(device) # 定義網路的優化器 optimizer_G = torch.optim.Adam(net_G.parameters(),lr=0.0001) optimizer_D = torch.optim.Adam(net_D.parameters(),lr=0.0001) batch_size = 50 nb_epochs = 1000 loss_D_epoch = [] loss_G_epoch = [] for e in range(nb_epochs): np.random.shuffle(X) real_samples = torch.from_numpy(X).type(torch.FloatTensor) loss_G = 0 loss_D = 0 for t, real_batch in enumerate(real_samples.split(batch_size)): # 固定生成器G,改進判別器D # 使用normal_()函式生成一組隨機噪聲,輸入G得到一組樣本 z = torch.empty(batch_size,z_dim).normal_().to(device) fake_batch = net_G(z) # 將真、假樣本分別輸入判別器,得到結果 D_scores_on_real = net_D(real_batch.to(device)) D_scores_on_fake = net_D(fake_batch) # 優化過程中,假樣本的score會越來越小,真樣本的score會越來越大,下面 loss 的定義剛好符合這一規律, # 要保證loss越來越小,真樣本的score前面要加負號 # 要保證loss越來越小,假樣本的score前面是正號(負負得正) loss = -torch.mean(torch.log(1-D_scores_on_fake) + torch.log(D_scores_on_real)) # 梯度清零 optimizer_D.zero_grad() # 反向傳播優化 loss.backward() # 更新全部引數 optimizer_D.step() loss_D += loss # 固定判別器,改進生成器 # 生成一組隨機噪聲,輸入生成器得到一組假樣本 z = torch.empty(batch_size,z_dim).normal_().to(device) fake_batch = net_G(z) # 假樣本輸入判別器得到 score D_scores_on_fake = net_D(fake_batch) # 我們希望假樣本能夠騙過生成器,得到較高的分數,下面的 loss 定義也符合這一規律 # 要保證 loss 越來越小,假樣本的前面要加負號 loss = -torch.mean(torch.log(D_scores_on_fake)) optimizer_G.zero_grad() loss.backward() optimizer_G.step() loss_G += loss if e % 50 ==0: print(f'\n Epoch {e} , D loss: {loss_D}, G loss: {loss_G}') loss_D_epoch.append(loss_D) loss_G_epoch.append(loss_G)
plt.plot(loss_D_epoch)
plt.plot(loss_G_epoch)
z = torch.empty(n_samples,z_dim).normal_().to(device) fake_samples = net_G(z) fake_data = fake_samples.cpu().data.numpy() fig, ax = plt.subplots(1, 1, facecolor='#4B6EA9') all_data = np.concatenate((X,fake_data),axis=0) Y2 = np.concatenate((np.ones(n_samples),np.zeros(n_samples))) plot_data(ax, all_data, Y2) plt.show()
現在把學習率修改為 0.001,batch_size改大到250
# 定義網路的優化器 optimizer_G = torch.optim.Adam(net_G.parameters(),lr=0.001) optimizer_D = torch.optim.Adam(net_D.parameters(),lr=0.001) batch_size = 250 loss_D_epoch = [] loss_G_epoch = [] for e in range(nb_epochs): np.random.shuffle(X) real_samples = torch.from_numpy(X).type(torch.FloatTensor) loss_G = 0 loss_D = 0 for t, real_batch in enumerate(real_samples.split(batch_size)): # 固定生成器G,改進判別器D # 使用normal_()函式生成一組隨機噪聲,輸入G得到一組樣本 z = torch.empty(batch_size,z_dim).normal_().to(device) fake_batch = net_G(z) # 將真、假樣本分別輸入判別器,得到結果 D_scores_on_real = net_D(real_batch.to(device)) D_scores_on_fake = net_D(fake_batch) # 優化過程中,假樣本的score會越來越小,真樣本的score會越來越大,下面 loss 的定義剛好符合這一規律, # 要保證loss越來越小,真樣本的score前面要加負號 # 要保證loss越來越小,假樣本的score前面是正號(負負得正) loss = -torch.mean(torch.log(1-D_scores_on_fake) + torch.log(D_scores_on_real)) # 梯度清零 optimizer_D.zero_grad() # 反向傳播優化 loss.backward() # 更新全部引數 optimizer_D.step() loss_D += loss # 固定判別器,改進生成器 # 生成一組隨機噪聲,輸入生成器得到一組假樣本 z = torch.empty(batch_size,z_dim).normal_().to(device) fake_batch = net_G(z) # 假樣本輸入判別器得到 score D_scores_on_fake = net_D(fake_batch) # 我們希望假樣本能夠騙過生成器,得到較高的分數,下面的 loss 定義也符合這一規律 # 要保證 loss 越來越小,假樣本的前面要加負號 loss = -torch.mean(torch.log(D_scores_on_fake)) optimizer_G.zero_grad() loss.backward() optimizer_G.step() loss_G += loss if e % 50 ==0: print(f'\n Epoch {e} , D loss: {loss_D}, G loss: {loss_G}') loss_D_epoch.append(loss_D) loss_G_epoch.append(loss_G)
z = torch.empty(n_samples,z_dim).normal_().to(device) fake_samples = net_G(z) fake_data = fake_samples.cpu().data.numpy() fig, ax = plt.subplots(1, 1, facecolor='#4B6EA9') all_data = np.concatenate((X,fake_data),axis=0) Y2 = np.concatenate((np.ones(n_samples),np.zeros(n_samples))) plot_data(ax, all_data, Y2) plt.show()
z = torch.empty(10*n_samples,z_dim).normal_().to(device) fake_samples = net_G(z) fake_data = fake_samples.cpu().data.numpy() fig, ax = plt.subplots(1, 1, facecolor='#4B6EA9') all_data = np.concatenate((X,fake_data),axis=0) Y2 = np.concatenate((np.ones(n_samples),np.zeros(10*n_samples))) plot_data(ax, all_data, Y2) plt.show();