时间戳

首页 > 解决方案 > GAN 中的生成器是如何工作的？

python - GAN 中的生成器是如何工作的？

问题描述

我试图了解 GAN 是如何工作的，在这样做的同时，我被困在生成器网络如何能够从随机噪声输入中生成图像，有人可以向我解释每一行如何影响最终结果（即来自一个随机向量），尤其是最后三行！

def build_generator():
    model = Sequential()
    model.add(Dense(128 * 7 * 7, activation="relu", input_dim=latent_dim))
    model.add(Reshape((7, 7, 128)))
    model.add(UpSampling2D())                                    #inverse of MaxPooling
    model.add(Conv2D(128, kernel_size=3, padding="same"))
    model.add(BatchNormalization(momentum=0.8))
    model.add(Activation("relu"))
    model.add(UpSampling2D())
    model.add(Conv2D(64, kernel_size=3, padding="same"))
    model.add(BatchNormalization(momentum=0.8))
    model.add(Activation("relu"))
    model.add(Conv2D(channels, kernel_size=3, padding="same"))
    model.add(Activation("tanh"))

    model.summary()

    noise = Input(shape=(latent_dim,))
    img = model(noise)

    return Model(noise, img)

标签： pythonkerasgenerative-adversarial-network

解决方案

我想谈谈一般的生成器，而不是你提到的那个。

正如我想在 GAN 中认为的那样，真正发挥作用的不是模型，而是训练过程。理论上，你可以使用任何你喜欢的架构作为你的生成器，你甚至可以使用简单的几层全连接神经网络，所以它不必是一个花哨的 CNN 模型（如 ResNet、VGG 或尽管花哨的模型具有更复杂的表示能力，但您构建的模型）。使生成器学会制作此类图像的原因是其训练过程中的“对抗性”（如果您知道的话，有点像 Minimax 算法）。事实上，生成器经常因为鉴别器生成噪声图像而受到惩罚。所以生成器会尽力创建图像，以便它可以用它得到的反馈（梯度）来欺骗鉴别器。

这是我训练的一个简单的 GAN 模型： GAN模型

所以你看，架构选择是（重要的）但不负责赋予它从随机噪声构建图像的能力。

推荐阅读