利用GAN原始框架生成手写数字

这一篇GAN文章只是让产生的结果尽量真实，还不能分类。

本次手写数字GAN的思想：

对于辨别器，利用真实的手写数字（真样本，对应的标签为真标签）和随机噪声经过生成器产生的样本（假样本，对应的标签为假标签）送入辨别器，分别得到两个损失值，最小化这两个损失值，这样的话就能保证辨别器能分清楚真假。

而对于生成器，用产生的随机噪声送入生成器，产生样本（假样本，对应的标签为真标签），得到损失值，最小化损失值，注意标签要改为真标签，因为这样才能以假乱真，正是辨别器和生成器博弈的过程，使得生成的数据能够以假乱真，为什么博弈到平衡的状态随机噪声能够以假乱真呢？看公式，论证了全局最优值，就是噪声和真实数据相等的时候。

详细推导过程

下面看代码：test做测试用的，不用管。

路径:

util.py代码：

import tensorflow as tf
import numpy as np
"""
从正太分布输出随机值
"""
def xavier_init(size):in_dim=size[0]xavier_stddev=tf.sqrt(2./in_dim)return tf.random_normal(shape=size,stddev=xavier_stddev)#生成模型的输入和参数初始化G_W1=tf.Variable(xavier_init(size=[100,128]))
G_b1=tf.Variable(tf.zeros(shape=[128]))G_W2=tf.Variable(xavier_init(size=[128,784]))
G_b2=tf.Variable(tf.zeros(shape=[784]))theta_G=[G_W1,G_W2,G_b1,G_b2]#判别模型的输入和参数初始化D_W1=tf.Variable(xavier_init(size=[784,128]))
D_b1=tf.Variable(tf.zeros(shape=[128]))D_W2=tf.Variable(xavier_init(size=[128,1]))
D_b2=tf.Variable(tf.zeros(shape=[1]))theta_D=[D_W1,D_W2,D_b1,D_b2]"""
随机噪声产生
"""
def sample_z(m,n):return np.random.uniform(-1.0,1.0,size=[m,n])
"""
生成模型：产生数据
"""
def generator(z):G_h1=tf.nn.relu(tf.matmul(z,G_W1)+G_b1)G_log_prob=tf.matmul(G_h1, G_W2) + G_b2G_prob=tf.nn.sigmoid(G_log_prob)return G_prob"""
判别模型:真实值和概率值
"""
def discriminator(x):D_h1=tf.nn.relu(tf.matmul(x,D_W1)+D_b1)D_logit=tf.matmul(D_h1, D_W2) + D_b2D_prob=tf.nn.sigmoid(D_logit)return D_prob,D_logit

main.py代码：

import tensorflow as tf
import numpy as np
from GAN.TWO import util
import os
from tensorflow.examples.tutorials.mnist import input_data
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
#读入数据
mnist=input_data.read_data_sets('./data',one_hot=True)
# print(mnist)Z=tf.placeholder(tf.float32,shape=[None,100])X=tf.placeholder(tf.float32,shape=[None,784])
#喂入数据
G_sample=util.generator(Z)
D_real,D_logit_real=util.discriminator(X)
D_fake,D_logit_fake=util.discriminator(G_sample)
#计算loss
D_real_loss=tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=D_logit_real,labels=tf.ones_like(D_logit_real)))
D_fake_loss=tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=D_logit_fake,labels=tf.zeros_like(D_logit_fake)))
D_loss=D_fake_loss+D_real_lossG_loss=tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=D_logit_fake,labels=tf.ones_like(D_logit_fake)))D_optimizer=tf.train.AdamOptimizer().minimize(D_loss,var_list=util.theta_D)
G_optimizer=tf.train.AdamOptimizer().minimize(G_loss,var_list=util.theta_G)if not os.path.exists('out/'):os.makedirs('out/')
"""
画图
"""
def plot(samples):gs=gridspec.GridSpec(4,4)gs.update(wspace=0.05,hspace=.05)for i,sample in enumerate(samples):ax = plt.subplot(gs[i])plt.axis('off')ax.set_xticklabels([])ax.set_yticklabels([])ax.set_aspect('equal')plt.imshow(sample.reshape(28,28),cmap='Greys_r')
print("=====================开始训练============================")
with tf.Session() as sess:sess.run(tf.global_variables_initializer())for it in range(100000):X_mb,_=mnist.train.next_batch(batch_size=128)# print(X_mb)_,D_loss_curr=sess.run([D_optimizer,D_loss],feed_dict={X:X_mb,Z:util.sample_z(128,100)})_, G_loss_curr = sess.run([G_optimizer, G_loss],feed_dict={Z: util.sample_z(128, 100)})if it%1000==0:print('====================打印出生成的数据============================')samples=sess.run(G_sample,feed_dict={Z: util.sample_z(16, 100)})plot(samples)plt.show()if it%1000==0:print('iter={}'.format(it))print('D_loss={}'.format(D_loss_curr))print('G_loss={}'.format(G_loss_curr))

打印结果：