基礎⭐

生成模型

低維向量——高維資料（影象、文字、語音）

生成式對抗網路的目的就是訓練一個這樣的生成模型，生成我們想要的資料

程式碼部分

首先實現CGAN。下面分別是判別器和生成器的網路結構

• 生成器：(784 + 10) ==> 512 ==> 256 ==> 1
• 判別器：(100 + 10) ==> 128 ==> 256 ==> 512 ==> 784

下面為初始化

然後開始訓練

# 開始訓練，一共訓練total_epochs
for epoch in range(total_epochs):

    
 
# torch.nn.Module.train() 指的是模型啟用 BatchNormalization 和 Dropout
    # torch.nn.Module.eval() 指的是模型不啟用 BatchNormalization 和 Dropout
    # 因此，train()一般在訓練時用到， eval() 一般在測試時用到
    generator = generator.train()

    # 訓練一個epoch
    for i, data in enumerate(dataloader):

        # 載入真實資料
        real_images, real_labels = data
        real_images 
 
= real_images.to(device)
        # 把對應的標籤轉化成 one-hot 型別
        tmp = torch.FloatTensor(real_labels.size(0), 10).zero_()
        real_labels = tmp.scatter_(dim=1, index=torch.LongTensor(real_labels.view(-1, 1)), value=1)
        real_labels = real_labels.to(device)

        # 生成資料
        # 用正態分佈中取樣batch_size個隨機噪聲
 

        z = torch.randn([batch_size, z_dim]).to(device)
        # 生成 batch_size 個 ont-hot 標籤
        c = torch.FloatTensor(batch_size, 10).zero_()
        c = c.scatter_(dim=1, index=torch.LongTensor(np.random.choice(10, batch_size).reshape([batch_size, 1])), value=1)
        c = c.to(device)
        # 生成資料
        fake_images = generator(z,c)

        # 計算判別器損失，並優化判別器
        real_loss = bce(discriminator(real_images, real_labels), ones)
        fake_loss = bce(discriminator(fake_images.detach(), c), zeros)
        d_loss = real_loss + fake_loss

        d_optimizer.zero_grad()
        d_loss.backward()
        d_optimizer.step()

        # 計算生成器損失，並優化生成器
        g_loss = bce(discriminator(fake_images, c), ones)

        g_optimizer.zero_grad()
        g_loss.backward()
        g_optimizer.step()

    # 輸出損失
    print("[Epoch %d/%d] [D loss: %f] [G loss: %f]" % (epoch, total_epochs, d_loss.item(), g_loss.item()))

隨機噪聲生成一組影象

#用於生成效果圖
# 生成100個隨機噪聲向量
fixed_z = torch.randn([100, z_dim]).to(device)
# 生成100個one_hot向量，每類10個
fixed_c = torch.FloatTensor(100, 10).zero_()
fixed_c = fixed_c.scatter_(dim=1, index=torch.LongTensor(np.array(np.arange(0, 10).tolist()*10).reshape([100, 1])), value=1)
fixed_c = fixed_c.to(device)

generator = generator.eval()
fixed_fake_images = generator(fixed_z, fixed_c)

plt.figure(figsize=(8, 8))
for j in range(10):
    for i in range(10):
        img = fixed_fake_images[j*10+i, 0, :, :].detach().cpu().numpy()
        img = img.reshape([28, 28])
        plt.subplot(10, 10, j*10+i+1)
        plt.imshow(img, 'gray')

結果