看起来还挺好玩的GAN翻拍版1——kerasDCGAN平台构建深度卷积神经网络图片生成学习前言什么是源代码下载地址网络构建一、DCGAN二、网络构建三鉴别器训练二、生成器训练利用直流电干生成图像一、数据集准备二、数据集处理三、模型训练
学习前言
我又死了我又死了我又死了！
源代码下载地址3359 github.com/bubbliing/DC gan-keras
喜欢的可以点明星哦。
网络构建一、什么是DCGAN DCGAN的全称是deepconvolutionalgenerativeadversarialnetworks，深度卷积对抗生成网络
这是由Alec Radford在unsupervisedrepresentationlearningwithdeepconvolutionalgenerativeadversarialnetworks论文中提出的。
实际上是它就是在GAN的基础上增加深度卷积网络结构
论文中给出的DCGAN结构如图所示。其使用反卷积将特征层的yjddwn不断扩大，整体结构看起来像普通神经网络的逆过程
二、生成网络的建立
要生成网络，请访问其目的是生成假图片，其输入是正态分布随机数。输出是假图片。
在GAN中，将该正态分布随机数长度定义为100，进行处理后，得到[ 64，64，3 ]的伪图像。
在处理过程中，我们将用于解卷积。 反卷积概念相对于常规卷积，为在正常卷积下，我们的特征层的yjddwn会不断被压缩；在反卷积下，我们的特征层的yjddwn会不断变大
在DCGAN生成网络中，首先可以利用全连接将输入条全连接至长度为16，384 (4x4x 1024 )的全连接，并reshape整个连接的结果，使其成为特征层() 4，4，1024 )
获得这个特征层后，我们可以用反卷积进行上采样。
每次解卷积时，特征层的高度和宽度都增加一倍。 在四次解卷积之后，我们的特征层的形状会发生如下变化。
(4、4、1024 ) 8、8、512 ) 16、16、256 ) 32、32、128 ) 64、64、3 )。
。 (4,4,1024)->(8,8,512)->(16,16,256)->(32,32,128)->(64,64,3)。 (4,4,1024)−>(8,8,512)−>(16,16,256)−>(32,32,128)−>(64,64,3)。此时我们再进行一次tanh激活函数，我们就可以获得一张假图片了。
实现代码如下：
def conv_out_size_same(size, stride): return int(math.ceil(float(size) / float(stride))) def generator(d=128, image_shape=[64,64,3]): conv_options = { 'kernel_initializer': initializers.normal(mean=0.0, stddev=0.02), } batchnor_options = { 'gamma_initializer' : initializers.normal(mean=0.1, stddev=0.02), 'beta_initializer' : initializers.constant(0), 'momentum' : 0.9 } inputs = layers.Input([100,]) s_h, s_w = image_shape[0], image_shape[1] s_h2, s_w2 = conv_out_size_same(s_h, 2), conv_out_size_same(s_w, 2) s_h4, s_w4 = conv_out_size_same(s_h2, 2), conv_out_size_same(s_w2, 2) s_h8, s_w8 = conv_out_size_same(s_h4, 2), conv_out_size_same(s_w4, 2) s_h16, s_w16 = conv_out_size_same(s_h8, 2), conv_out_size_same(s_w8, 2) x = layers.Dense(s_h16*s_w16*d*8, **conv_options)(inputs) x = layers.Reshape([s_h16,s_w16,d*8])(x) x = layers.BatchNormalization(**batchnor_options)(x) x = layers.Activation("relu")(x) x = layers.Conv2DTranspose(filters=d*4, kernel_size=4, strides=2, padding="same", **conv_options)(x) x = layers.BatchNormalization(**batchnor_options)(x) x = layers.Activation("relu")(x) x = layers.Conv2DTranspose(filters=d*2, kernel_size=4, strides=2, padding="same", **conv_options)(x) x = layers.BatchNormalization(**batchnor_options)(x) x = layers.Activation("relu")(x) x = layers.Conv2DTranspose(filters=d, kernel_size=4, strides=2, padding="same", **conv_options)(x) x = layers.BatchNormalization(**batchnor_options)(x) x = layers.Activation("relu")(x) x = layers.Conv2DTranspose(filters=3, kernel_size=4, strides=2, padding="same", **conv_options)(x) x = layers.Activation("tanh")(x) model = Model(inputs, x) return model 三、判断网络的构建对于生成网络来讲，它的目的是生成假图片，它的输入是正态分布随机数。输出是假图片。
对于判断网络来讲，它的目的是判断输入图片的真假，它的输入是图片，输出是判断结果。
判断结果处于0-1之间，利用接近1代表判断为真图片，接近0代表判断为假图片。
判断网络的构建和普通卷积网络差距不大，都是不断的卷积对图片进行下采用，在多次卷积后，最终接一次全连接判断结果。
实现代码如下：
def discriminator(d=128, image_shape=[64,64,3]): conv_options = { 'kernel_initializer': initializers.normal(mean=0., stddev=0.02), } batchnor_options = { 'gamma_initializer' : initializers.normal(mean=0.1, stddev=0.02), 'beta_initializer' : initializers.constant(0), 'momentum' : 0.9 } inputs = layers.Input(image_shape) x = layers.Conv2D(filters=d, kernel_size=4, strides=2, padding="same", **conv_options)(inputs) x = layers.LeakyReLU(0.2)(x) x = layers.Conv2D(filters=2*d, kernel_size=4, strides=2, padding="same", **conv_options)(x) x = layers.BatchNormalization(**batchnor_options)(x) x = layers.LeakyReLU(0.2)(x) x = layers.Conv2D(filters=4*d, kernel_size=4, strides=2, padding="same", **conv_options)(x) x = layers.BatchNormalization(**batchnor_options)(x) x = layers.LeakyReLU(0.2)(x) x = layers.Conv2D(filters=8*d, kernel_size=4, strides=2, padding="same", **conv_options)(x) x = layers.BatchNormalization(**batchnor_options)(x) x = layers.LeakyReLU(0.2)(x) x = layers.Flatten()(x) x = layers.Dropout(0.3)(x) x = layers.Dense(1, **conv_options)(x) x = layers.Activation("sigmoid")(x) model = Model(inputs, x) return model 训练思路DCGAN的训练可以分为生成器训练和判别器训练：
每一个step中一般先训练判别器，然后训练生成器。
在训练判别器的时候我们希望判别器可以判断输入图片的真伪，因此我们的输入就是真图片、假图片和它们对应的标签。
因此判别器的训练步骤如下：
1、随机选取batch_size个真实的图片。
2、随机生成batch_size个N维向量，传入到Generator中生成batch_size个虚假图片。
3、真实图片的label为1，虚假图片的label为0，将真实图片和虚假图片当作训练集传入到Discriminator中进行训练。
在训练生成器的时候我们希望生成器可以生成极为真实的假图片。因此我们在训练生成器需要知道判别器认为什么图片是真图片。
因此生成器的训练步骤如下：
1、随机生成batch_size个N维向量，传入到Generator中生成batch_size个虚假图片。
2、将虚假图片的Discriminator预测结果与1的对比作为loss对Generator进行训练（与1对比的意思是，让生成器根据判别器判别的结果进行训练）。
DCGAN的库整体结构如下：
在训练前需要准备好数据集，数据集保存在datasets文件夹里面。
打开txt_annotation.py，默认指向根目录下的datasets。运行txt_annotation.py。
此时生成根目录下面的train_lines.txt。
在完成数据集处理后，运行train.py即可开始训练。
训练过程中，可在results文件夹内查看训练效果：