从奋斗圈的方式理解GAN网络(生成对抗网络)，可以看作是假的机器。 做的和真的一样。 以下，对假货的制作方法进行说明。 ()主要是GAN码，代码很简单。 ）
先做小狗的假照片吧。
首先需要一个生成小狗照片的模型。 这被称为生成器。 也有判断小狗照片真伪的判断模型discrimator。
首先输入1000维的噪声，发送给生成器。 生成器的具体结构如下。 (不看也可以，看完全篇回去再看也一样。 ）
其实比较简单，代码如下。
efgenerator _ model (: model=sequential ) model.add ) dense(input_dim=1000， output_dim=1024 () model.add (活动(' tanh ' ) model.add ) dense(128*8*8) ) ) ) ) model padding='same ' ) (model.add(activation ) tanh ) (model.add ) upsampling2d ) size=(2， 2 ) ) ) ) model.add ) ) size652 padding='same ' ) (model.add ) activation ) )返回模型生成器为1000 输出是照片。 没有必要想得太深。 输入是1000的随机数字，输出是一张图像。
看看判别器代码和结构吧。
代码如下。
def discriminator _ model (: model=sequential ) model.add (conv 2d ) 64，) 5，5 )，padding='same '，input ) ) 3 ) ) model.add (活动(tanh ) ) model.add (max pooling 2d ) pool_size=) 2， 2 ) ) ) ) model.add ) conv2d 5) ) model.add(activation(tanh ) ) model.add (max pooling 2d ) pool_size=) 2
根据代码说明具体操作
把真图和假图。 进行拼接，打上标签。 真图标签为1，假图标签为0，发送到训练网络。
#随机生成的1000维噪声noise=NP.random.uniform (-1，1，size=(batch_size，1000 ) ) # X_train是训练的图像数据。 这里提取batchsize的图像用于训练，这是照片(64张) image _ batch=x _ train (索引* batch_size: ) index1) batch_size )这里是生成器生成的伪图generated _ image。verbose=0) #连接真图和伪图的x=NP.conne 标签为0y=[1] * batch _ size [0] * batch _ size #将真图和伪图拼接训练数据1发送到判别器进行训练判别器的精度d _ loss=discriminator _ motion
在这里训练的话，判别器的精度会不断提高。
方法如下，是GAN网络的中心。
def generator _ containing _ discriminator (g，d ) : mo
del = Sequential() model.add(g) # 判别器参数不进行修改 d.trainable = False model.add(d) return model他的网络结构如下所示：
这个模型有生成器与判别器组成：看代码，这个模型上半部分是生成网络，下半部分是判别网络，生成网络首先生成假图，然后送入判别网络中进行判断，这里有一个d.trainable=False，意思是，只调整生成器，判别的的参数不做更改。简直巧妙。
然后我们来看如何训练生成网络，这一块也是核心区域：
# 训练一个batchsize里面的数据 for index in range(int(X_train.shape[0]/BATCH_SIZE)): # 产生随机噪声 noise = np.random.uniform(-1, 1, size=(BATCH_SIZE, 1000)) # 这里面都是真图片 image_batch = X_train[index*BATCH_SIZE:(index+1)*BATCH_SIZE] # 这里产生假图片 generated_images = g.predict(noise, verbose=0) # 将真图片与假图片拼接在一起 X = np.concatenate((image_batch, generated_images)) # 前64张图片标签为1,即真图，后64张照片为假图 y = [1] * BATCH_SIZE + [0] * BATCH_SIZE # 对于判别器进行训练，不断提高判别器的识别精度 d_loss = d.train_on_batch(X, y) # 再次产生随机噪声 noise = np.random.uniform(-1, 1, (BATCH_SIZE, 1000)) # 设置判别器的参数不可调整 d.trainable = False # ×××××××××××××××××××××××××××××××××××××××××××××××××××××××××× # 在此我们送入噪声，并认为这些噪声是真实的标签 g_loss = generator_containing_discriminator.train_on_batch(noise, [1] * BATCH_SIZE) # ×××××××××××××××××××××××××××××××××××××××××××××××××××××××××× # 此时设置判别器可以被训练，参数可以被修改 d.trainable = True # 打印损失值 print("batch %d d_loss : %s, g_loss : %f" % (index, d_loss, g_loss))重点在于这句代码
g_loss = generator_containing_discriminator.train_on_batch(noise, [1] * BATCH_SIZE)首先这个网络模型（定义在上面），先传入生成器中，然后生成器生成图片之后，把图片传入判别器中，标签此刻传入的是1,真实的图片，但实际上是假图，此刻判别器就会判断为假图，然后模型就会不断调整生成器参数，此刻的判别器的参数被设置为为不可调整，d.trainable=False，所以为了不断降低loss值，模型就会一直调整生成器的参数，直到判别器认为这是真图。此刻判别器与生成器达到了一个平衡。也就是说生成器产生的假图，判别器已经分辨不出来了。所以继续迭代，提高判别器精度，如此往复循环，直到生成连人都辨别不了的图片。
最后我训练了大概65轮，实际上生成比较真实的狗的图片我估计可能上千轮了，当然不同的网络结构，所需要的迭代次数也不一样。我这个因为太费时间，就跑了大概，可以看出大概有个狗模样。这个是训练了65轮之后的效果：
以上就是全部的内容了。
https://github.com/jensleeGit/Kaggle_self_use/tree/master/Generative%20Dog%20Images