本文共 7219 字，大约阅读时间需要 24 分钟。

参考一篇（传送门），把最原始的GAN网络过了一遍，虽然还是心中有疑虑，还是有问题，但是好事多磨，总会想明白的。

自己想不懂的问题：

1.在训练网络（generator）中，它是怎么生成一个虚假图片的？

build_generator（）这个函数就是一个全连接网络，都说generator就是来生成一个虚假图片的，但是最后build_generator返回不是一个造好的虚假图片啊！

在代码部分：

  noise= np.random.normal(0,1, (batch_size, 100))

  fake_images = generator.predict(noise)

由np.random.normal函数，生成正态分布的数据。将数据传入predict函数，为输入样本生成输出预测，预测的 Numpy 数组（或数组列表）。

这个地方的fake_images,我在程序中输出看了一下，图片信息看不懂。

所以很困惑，generator生成的虚假图片，是个什么样子的？我们给出的数据集是手写数据集，生成的虚假图片不应该是数字吗？

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

哈哈！我看懂啦！

1. fake_images的维度是（128，784）的，生成的图像是叠加在一起的，这就是我为什么看不懂生成的图片是个什么东西，因为我输出的维度不对，128是128张图片，784是28*28。（128，784）整体理解为，输出了128张28*28的图片。下面我就开始调整我输出的图像的维度了。

2.我把bach_size设置为1，这样输出的fake_images的维度就是（1，784），然后我再把生成的图片的维度转换一下，把一维的784，转换为二维的28*28

将图片转换维度后，就生成了上面的图片，这个图片就是生成器生成的图片。

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

2.real_images = X_train[np.random.randint(0, X_train.shape[0], batch_size)]

这个是真实图像，X_train的维度是（60000，784）。np.random.randint(low,high,size,dtype)生成一个128维的行向量，行向量的数字范围是0-60000

输出的真实图像的维度是(128, 784)；而且真实图像也是我所看不懂的。

为什么是这个样子的呢？

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

解答：

1.首先，生成的real_images图片的维度是错误的，一开始的batch_size的大小是128，所以生成的real_images的维度是（128，784）。

现在，我把batch_size的大小设置为了1，维度大小为（1.784），即生成了1张一维的图片，我把一维的784转换为二维的28*28

这样就能显示出来，从训练集中选出的真实图片里的数字是多少了

-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

3.GAN.train_on_batch(noise, label_real)

这个地方的代码是在生成训练网络，让鉴别网络停止训练

向网络中输入一堆噪声，期待的输出是将假图片预测为真。

我所理解：生成的假的图片，将假的图片预测为真了，说明生成假图片的能力提升了，下面该提升的就是鉴别能力了。

生成了虚假图片和真实图片之后，还生成了图片的标签，将图片和标签一起放进鉴别器里去鉴别，来提高鉴别器的鉴别能力。

再之后是鉴别器停止训练，训练生成器， 生成的假的图片，将假的图片预测为真了，说明生成假图片的能力提升了，下面该提升的就是鉴别能力了。

# -*- coding: utf-8 -*-"""Created on Sat May 22 15:40:12 2021@author: LiMeng"""from keras.datasets import mnistfrom keras.layers import Dense, Dropout, Inputfrom keras.models import Model,Sequentialfrom keras.layers.advanced_activations import LeakyReLUfrom keras.optimizers import Adamfrom tqdm import tqdmimport numpy as npimport matplotlib.pyplot as plt#%matplotlib inline#from google.colab import drive# Load the datasetdef load_data():  (x_train, y_train), (_, _) = mnist.load_data()  x_train = (x_train.astype(np.float32) - 127.5)/127.5    # Convert shape from (60000, 28, 28) to (60000, 784)  x_train = x_train.reshape(60000, 784)  return (x_train, y_train)X_train, y_train = load_data()print(X_train.shape, y_train.shape)def build_generator():    model = Sequential()        model.add(Dense(units=256, input_dim=100))    model.add(LeakyReLU(alpha=0.2))        model.add(Dense(units=512))    model.add(LeakyReLU(alpha=0.2))        model.add(Dense(units=1024))    model.add(LeakyReLU(alpha=0.2))        model.add(Dense(units=784, activation='tanh'))        model.compile(loss='binary_crossentropy', optimizer=Adam(0.0002, 0.5))    return modelgenerator = build_generator()generator.summary()"""dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。注意是暂时，对于随机梯度下降来说，由于是随机丢弃，故而每一个mini-batch都在训练不同的网络。dropout是CNN中防止过拟合提高效果的一个大杀器"""def build_discriminator():    model = Sequential()        model.add(Dense(units=1024 ,input_dim=784))    model.add(LeakyReLU(alpha=0.2))    model.add(Dropout(0.3))           model.add(Dense(units=512))    model.add(LeakyReLU(alpha=0.2))    model.add(Dropout(0.3))           model.add(Dense(units=256))    model.add(LeakyReLU(alpha=0.2))    model.add(Dropout(0.3))          model.add(Dense(units=1, activation='sigmoid'))        model.compile(loss='binary_crossentropy', optimizer=Adam(0.0002, 0.5))    return model  discriminator = build_discriminator()discriminator.summary()def build_GAN(discriminator, generator):    discriminator.trainable=False    GAN_input = Input(shape=(100,))    x = generator(GAN_input)    GAN_output= discriminator(x)    GAN = Model(inputs=GAN_input, outputs=GAN_output)    GAN.compile(loss='binary_crossentropy', optimizer=Adam(0.0002, 0.5))    return GANGAN = build_GAN(discriminator, generator)GAN.summary()def draw_images(generator, epoch, examples=25, dim=(5,5), figsize=(10,10)):    noise= np.random.normal(loc=0, scale=1, size=[examples, 100])    generated_images = generator.predict(noise)    generated_images = generated_images.reshape(25,28,28)    plt.figure(figsize=figsize)    for i in range(generated_images.shape[0]):        plt.subplot(dim[0], dim[1], i+1)        plt.imshow(generated_images[i], interpolation='nearest', cmap='Greys')        plt.axis('off')    plt.tight_layout()    plt.savefig('Generated_images %d.png' %epoch)        def train_GAN(epochs=1, batch_size=128):      #Loading the data  X_train, y_train = load_data()  # Creating GAN  generator= build_generator()  discriminator= build_discriminator()  GAN = build_GAN(discriminator, generator)#  print("\nepochs %d\n" %epochs)  for i in range(1, epochs+1):    print("\nEpoch %d\n" %i)        for _ in tqdm(range(batch_size)):      # Generate fake images from random noiset      """      np.random.normal生成正态分布：均值为0，方差为1，维度为（batch_size,100）--->(128,100)      generator生成器的输入是128张100维的数据 fake_images即为generator生成的虚假图像      np.random.randint(low,high,size,dtype) array = np.random.randint(0, X_train.shape[0], batch_size)           生成128维（行向量） 0-60000的数字，X_train.shape[0]为 60000，            """      noise= np.random.normal(0,1, (batch_size, 100))      fake_images = generator.predict(noise)      #画出虚假图像      #plt.imshow(fake_images)      #plt.title("fake_images")      # Select a random batch of real images from MNIST            real_images = X_train[np.random.randint(0, X_train.shape[0], batch_size)]      #画出真实图像      #plt.imshow(real_images)      #plt.title("real_images")      # Labels for fake and real images                 label_fake = np.zeros(batch_size)      label_real = np.ones(batch_size)       # Concatenate fake and real images       X = np.concatenate([fake_images, real_images])      y = np.concatenate([label_fake, label_real])      # Train the discriminator      discriminator.trainable=True      discriminator.train_on_batch(X, y)      # Train the generator/chained GAN model (with frozen weights in discriminator)       discriminator.trainable=False      GAN.train_on_batch(noise, label_real)      #Draw generated images every 15 epoches         if i == 1 or i % 10 == 0:        draw_images(generator, i)train_GAN(epochs=400, batch_size=128)

转载地址：http://uuoez.baihongyu.com/