计算机视觉⽣成对抗⽹络（GAN）的训练过程和代码流程学习笔记.pdfVIP

day22-计算机视觉10（上）

上课⽇期March24,2024

主要内容|⽣成对抗⽹络（GAN）|训练过程|GAN代码流程|

主讲⽼师李晓华

复习March25,2024

课时6

⽣成对抗⽹络GAN

⽣成对抗⽹络（Generative

Adversarial

Network，简称GAN）是⾮监督式学习的⼀种⽅法，通过两个神经⽹络相互博弈的

⽅式进⾏学习。其本质是从数据分布上模仿另⼀批数据体。

论⽂地址：/pdf/1406.2661.pdf

系统组成：

⽣成器（⽣成）

鉴别器（对抗）

鉴别器和⽣成器可以根据数据特点进⾏设计。

训练过程（参考代码GAN.ipynb）

准备要模仿对象的数据；

定义模型：定义⽣成器模型和鉴别器模型（⼆分类模型）；

训练模型：同时训练⽣成器和鉴别器。

day22计算机视觉10（上）1

GAN原理梳理

GAN⽹络的核⼼思想

G：⽣成

⽣成器模拟/⽣成样本（本质上，只是在对⼝型！）

输⼊⼀个噪声

输出⼀个样本

D：鉴别

鉴别器⟶判定是真样本还是假的样本（⼆分类任务）

A：对抗—对抗训练

鉴别器的训练⽬标：

规规矩矩的⼆分类

鉴别真假

给我真样本，那就输出真

给我假样本，那就输出假

输⼊：

从数据集中获取的样本⟶真

通过⽣成器⽣成的样本⟶假

损失：交叉熵

⽣成器的训练⽬标：

骗过鉴别器

⾃⼰⽣成的样本，让鉴别器觉得是真的

训练过程：

输⼊：噪声

输出：样本（假）

损失：

把⽣成的样本给鉴别器，得到鉴别器的输出

损失就是衡量鉴别器的输出跟真标签之间的差距

在训练鉴别器时，⽣成器只是正向传播，⽣成器不应该参与训练

在训练⽣成器时，鉴别器只是正向传播，鉴别器不应该参与训练

对抗：踩在对⽅的肩上，提升⾃⼰

GAN代码流程

准备数据（模仿对象、真品）

加载数据

-模仿的对象

-真品

#加载并预处理图像

data=datasets.MNIST(root=data,