学校网站样式,做网站需要提供的资料,网站免费搭建平台,十大跨境电商排名《昇思 25 天学习打卡营第 19 天 | 生成式对抗网络#xff08;GAN#xff09;实践指南 》 活动地址#xff1a;https://xihe.mindspore.cn/events/mindspore-training-camp 签名#xff1a;Sam9029 GAN 模型概述
生成式对抗网络#xff08;GAN#xff09;是一种前沿的无…《昇思 25 天学习打卡营第 19 天 | 生成式对抗网络GAN实践指南 》 活动地址https://xihe.mindspore.cn/events/mindspore-training-camp 签名Sam9029 GAN 模型概述
生成式对抗网络GAN是一种前沿的无监督学习模型由 Goodfellow 等人于 2014 年提出。GAN 由两部分组成生成器Generator和判别器Discriminator。生成器负责生成逼真的假图像而判别器则负责区分图像是真实的还是生成器生成的。
模型组成
生成器G从标准正态分布中采样隐码latent code并将其映射到数据空间生成假图像。判别器D接收输入图像并预测图像为真实或假的概率。
训练过程
GAN 的训练是一个动态的博弈过程生成器和判别器相互竞争共同进步。
初始阶段生成器生成质量较差的图像判别器容易区分真假。训练过程中生成器不断学习生成更逼真的图像判别器则提高其识别能力。平衡点理想情况下生成器生成的图像与真实图像分布一致判别器无法区分。
数据集
本案例使用 MNIST 手写数字数据集包含 60000 张训练样本和 10000 张测试样本图像大小为 28x28。
数据加载与预处理
使用 MindSpore 的MnistDataset接口加载数据集并进行必要的预处理如归一化和数据增强。
train_dataset ds.MnistDataset(dataset_dir./MNIST_Data/train)
test_dataset ds.MnistDataset(dataset_dir./MNIST_Data/test)模型构建
生成器
生成器采用五层全连接层每层后接 BatchNorm 和 ReLU 激活层输出通过 Tanh 函数以产生[-1, 1]范围内的图像数据。
class Generator(nn.Cell):# 定义生成器结构# ...def construct(self, x):img self.model(x)return ops.reshape(img, (-1, 1, 28, 28))判别器
判别器使用一系列全连接层和 LeakyReLU 激活层最后通过 Sigmoid 激活函数输出概率。
class Discriminator(nn.Cell):# 定义判别器结构# ...def construct(self, x):x_flat ops.reshape(x, (-1, img_size * img_size))return self.model(x_flat)损失函数与优化器
使用二元交叉熵损失函数BCELoss和 Adam 优化器。
adversarial_loss nn.BCELoss(reductionmean)
optimizer_d nn.Adam(net_d.trainable_params(), learning_ratelr)
optimizer_g nn.Adam(net_g.trainable_params(), learning_ratelr)模型训练
训练过程包括训练判别器和生成器记录损失并在每个 epoch 结束时生成图像以跟踪进度。
for epoch in range(total_epoch):# 训练循环# ...gen_imgs net_g(test_noise)save_imgs(gen_imgs.asnumpy(), epoch)效果展示
训练过程中生成器生成的图像质量逐渐提高最终可生成与真实图像相似的假图像。GAN 模型的强大之处在于其生成高质量图像的能力但其训练过程可能不稳定需要仔细调整参数。此外GAN 的应用不仅限于图像生成还可以扩展到其他领域如风格迁移、数据增强等、 通过本实践指南学习了如何使用 MindSpore 框架构建和训练 GAN 模型并使用 MNIST 数据集进行训练。见证了从模型初始化到训练再到生成高质量图像的整个过程。随着技术的不断发展GAN 有望在更多领域展现其潜力。
