点击上方“算法猿的成长“，关注公众号，选择加“星标“或“置顶”

总第 137 篇文章，本文大约 1000 字，阅读大约需要 5 分钟

今天介绍的一个开源的 github 项目，主要是实现了对 GAN 训练过程的可视化代码，项目链接如下：

https://github.com/EvgenyKashin/gan-vis

或者点击文章底部“阅读原文”，直接跳转。

接下来是简单介绍这份代码的情况，基本实现的功能，效果等。

前言

这是一个简单实现了学习和可视化 2d 的 GANs 的实验代码。在训练了数十个小时的 StyleGAN 后，现在可以通过快速的迭代（30s 左右）来直观的可视化一些超参数的情况（但是并不确定这种直观情况是否可以适用于更大的 GAN 模型）。主要是受到 https://poloclub.github.io/ganlab/ 的启发，但可能有人更希望在 Colab 中运行代码。

可视化

对训练的动态过程的可视化包括了：

• 真实数据的分布情况（黑色的点）

• 输入固定的噪音，然后由 G 网络生成的假数据；

• D 网络对整个输入空间的决策边界，以及用不同颜色代表其输出的概率（红色代表判定为真实数据的可能性很高，蓝色则是低）

• 绿色箭头表示每个生成的数据点，最大化 D 网络输出的方向

可视化结果

接下来是展示可视化的一些效果：

没有采用 batch-norm 的 G 和 D 的训练情况

加入 batch-norm 的 G 和 D 的训练情况

评价标准的可视化

第一行是训练的过程（输入是固定的噪音）以及多种评判标准（G 和 D 的梯度归一化，losses 以及 D 对真假数据的输出）。第二行展示了输入噪音以及 G 网络中间层的激活函数（映射为 2 维）

对输入噪音的 G 网络的转换

可调试的选项

• 输入数据的分布

• batch 大小，训练的 epochs

• D 和 G 的学习率（可能是最重要的）

• D 和 G 的优化器

• 输入噪音的分布

• 神经元的数量，激活函数

• 损失函数（BCE,L2)

• 权重初始化

• 正则化（batch-norm，dropout，权重衰减）

采用的是 CPU，因为对可视化的实验已经满足速度的要求。

未来的工作

• 增加更多的损失函数

• 增加更多的正则化技术

项目代码可以直接访问 github 查看，或者关注我的公众号--【算法猿的成长】，在后台回复“play_gans"，获取代码。

---

精选AI文章

1.  2020年计算机视觉学习指南

2. 是选择Keras还是PyTorch开始你的深度学习之旅呢？

3. 编写高效的PyTorch代码技巧（上）

4. 编写高效的PyTorch代码技巧（下）

5. 深度学习算法简要综述(上)

6. 深度学习算法简要综述(下)

7. 10个实用的机器学习建议

8. 实战|手把手教你训练一个基于Keras的多标签图像分类器

精选python文章

1.  python数据模型

2. python版代码整洁之道

3. 快速入门 Jupyter notebook

4. Jupyter 进阶教程

5. 10个高效的pandas技巧

精选教程资源文章

1. [资源分享] TensorFlow 官方中文版教程来了

2. [资源]推荐一些Python书籍和教程，入门和进阶的都有！

3. [Github项目推荐] 推荐三个助你更好利用Github的工具

4. Github上的各大高校资料以及国外公开课视频

5. GitHub上有哪些比较好的计算机视觉/机器视觉的项目？

欢迎关注我的微信公众号--算法猿的成长，或者扫描下方的二维码，大家一起交流，学习和进步！

 

如果觉得不错，在看、转发就是对小编的一个支持！