當前位置：首頁 > news >正文

佛山百度網站排名深圳建站公司

news 2025/7/7 5:19:52

佛山百度網站排名,深圳建站公司,好視頻下載軟件,wordpress cpu負載過高目錄一、GAN對抗生成網絡思想二、實踐過程 1. 數(shù)據(jù)準備 2. 構建生成器和判別器 3. 訓練過程 4. 生成結果與可視化三、學習總結一、GAN對抗生成網絡思想 GAN的核心思想非常有趣且富有對抗性。它由兩部分組成：生成器（Generator）和判…

一、GAN對抗生成網絡思想

二、實踐過程

1. 數(shù)據(jù)準備

2. 構建生成器和判別器

3. 訓練過程

4. 生成結果與可視化

三、學習總結

一、GAN對抗生成網絡思想

GAN的核心思想非常有趣且富有對抗性。它由兩部分組成：生成器（Generator）和判別器（Discriminator）。生成器的任務是從隨機噪聲中生成盡可能接近真實數(shù)據(jù)的樣本，而判別器的任務則是區(qū)分生成器生成的假樣本和真實樣本。這兩個網絡在訓練過程中相互對抗，生成器不斷改進生成的樣本以欺騙判別器，判別器則不斷提升自己的辨別能力。最終，當生成器生成的樣本足夠逼真，以至于判別器難以區(qū)分真假時，GAN達到了一種平衡狀態(tài)。

從數(shù)學角度來看，GAN的損失函數(shù)由兩部分組成：生成器的損失和判別器的損失。判別器的損失是一個二分類問題的損失，通常使用二元交叉熵損失（BCELoss）。生成器的損失則依賴于判別器的反饋，目標是讓判別器將生成的樣本誤判為真實樣本。這種對抗機制使得GAN能夠生成高質量的樣本，尤其是在圖像生成領域。

二、實踐過程

為了更好地理解GAN的工作原理，我使用了Python和PyTorch框架實現(xiàn)了一個簡單的GAN模型。以下是我的實踐過程和代碼實現(xiàn)。

1. 數(shù)據(jù)準備

我選擇了經典的鳶尾花（Iris）數(shù)據(jù)集中的“Setosa”類別作為實驗對象。這個數(shù)據(jù)集包含4個特征，非常適合用來測試GAN模型。我首先對數(shù)據(jù)進行了歸一化處理，將其縮放到[-1, 1]范圍內，以提高模型的訓練效果。

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, TensorDataset
import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt# 加載數(shù)據(jù)
iris = load_iris()
X = iris.data
y = iris.target# 選擇 Setosa 類別
X_class0 = X[y == 0]# 數(shù)據(jù)歸一化
scaler = MinMaxScaler(feature_range=(-1, 1))
X_scaled = scaler.fit_transform(X_class0)# 轉換為 PyTorch Tensor
real_data_tensor = torch.from_numpy(X_scaled).float()
dataset = TensorDataset(real_data_tensor)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)

2. 構建生成器和判別器

接下來，我定義了生成器和判別器的網絡結構。生成器使用了簡單的多層感知機（MLP）結構，輸入是隨機噪聲，輸出是與真實數(shù)據(jù)維度相同的樣本。判別器同樣使用MLP結構，輸出是一個概率值，表示輸入樣本是真實樣本的概率。

class Generator(nn.Module):def __init__(self):super(Generator, self).__init__()self.model = nn.Sequential(nn.Linear(10, 16),nn.ReLU(),nn.Linear(16, 32),nn.ReLU(),nn.Linear(32, 4),nn.Tanh())def forward(self, x):return self.model(x)class Discriminator(nn.Module):def __init__(self):super(Discriminator, self).__init__()self.model = nn.Sequential(nn.Linear(4, 32),nn.LeakyReLU(0.2),nn.Linear(32, 16),nn.LeakyReLU(0.2),nn.Linear(16, 1),nn.Sigmoid())def forward(self, x):return self.model(x)

3. 訓練過程

在訓練過程中，我交替更新生成器和判別器的參數(shù)。每一步中，首先用真實數(shù)據(jù)和生成數(shù)據(jù)訓練判別器，然后用生成數(shù)據(jù)訓練生成器。通過這種方式，兩個網絡不斷對抗，逐漸提升性能。

# 定義損失函數(shù)和優(yōu)化器
criterion = nn.BCELoss()
g_optimizer = optim.Adam(generator.parameters(), lr=0.0002, betas=(0.5, 0.999))
d_optimizer = optim.Adam(discriminator.parameters(), lr=0.0002, betas=(0.5, 0.999))# 訓練循環(huán)
for epoch in range(10000):for i, (real_data,) in enumerate(dataloader):# 訓練判別器d_optimizer.zero_grad()real_output = discriminator(real_data)d_loss_real = criterion(real_output, torch.ones_like(real_output))noise = torch.randn(real_data.size(0), 10)fake_data = generator(noise).detach()fake_output = discriminator(fake_data)d_loss_fake = criterion(fake_output, torch.zeros_like(fake_output))d_loss = d_loss_real + d_loss_faked_loss.backward()d_optimizer.step()# 訓練生成器g_optimizer.zero_grad()fake_data = generator(noise)fake_output = discriminator(fake_data)g_loss = criterion(fake_output, torch.ones_like(fake_output))g_loss.backward()g_optimizer.step()if (epoch + 1) % 1000 == 0:print(f"Epoch [{epoch+1}/10000], Discriminator Loss: {d_loss.item():.4f}, Generator Loss: {g_loss.item():.4f}")

4. 生成結果與可視化

訓練完成后，我使用生成器生成了一些新的樣本，并將它們與真實樣本進行了可視化對比。從結果可以看出，生成器生成的樣本在分布上與真實樣本較為接近，說明GAN模型在一定程度上成功地學習了數(shù)據(jù)的分布。

# 生成新樣本
with torch.no_grad():noise = torch.randn(50, 10)generated_data_scaled = generator(noise)# 逆向轉換回原始尺度
generated_data = scaler.inverse_transform(generated_data_scaled.numpy())
real_data_original_scale = scaler.inverse_transform(X_scaled)# 可視化對比
fig, axes = plt.subplots(2, 2, figsize=(12, 10))
fig.suptitle('真實數(shù)據(jù) vs. GAN生成數(shù)據(jù) 的特征分布對比', fontsize=16)
feature_names = iris.feature_namesfor i, ax in enumerate(axes.flatten()):ax.hist(real_data_original_scale[:, i], bins=10, density=True, alpha=0.6, label='Real Data')ax.hist(generated_data[:, i], bins=10, density=True, alpha=0.6, label='Generated Data')ax.set_title(feature_names[i])ax.legend()plt.tight_layout(rect=[0, 0.03, 1, 0.95])
plt.show()