本文轉載至知乎ID：Charles（白露未晞）知乎個人專欄

下載W3Cschool手機App，0基礎隨時隨地學編程>>戳此了解

用深層卷積生成對抗網絡進行無監(jiān)督表示學習;

GenerativeAdversarialNets。

甘論文匯總：

https://github.com/zhangqianhui/AdversarialNetsPapers

聲明

本教程提供的所有源碼以及素材僅供學習交流使用，禁止商用/非法使用。

導語

發(fā)現(xiàn)之前兩篇關于GAN的文章效果都比較一般，想試著優(yōu)化一下，訓練個像樣一些的模型，至少不能太丟GAN的臉，于是就有了這篇文章。

OK，讓我們愉快地開始吧?

相關文件

百度網盤下載鏈接：https：//pan.baidu.com/s/1t-d5wq3TeBWcVzTOoraPtQ

密碼：84ky

開發(fā)工具

蟒蛇中的版本：3.6.4

相關模塊：

pytorch模塊;

torchvision模塊;

PIL模塊;

以及一些Python中的中自帶的模塊。

PyTorch版本：

0.3.0

環(huán)境搭建

安裝的Python的中并添加到環(huán)境變量，PIP安裝需要的相關模塊即可。

補充說明：

PyTorch0.3.0不支持直接的PIP安裝（Windows）中中中。

有兩個選擇：

（1）安裝anaconda3后在anaconda3的環(huán)境下安裝（直接PIP安裝即可）;

（2）使用編譯好的WHL文件安裝，下載鏈接為：

https://pan.baidu.com/s/1dF6ayLr#list/path=%2Fpytorch

原理簡介

關于生成對抗網絡的核心思想，請參考之前的文章：

【Python中的中】利用甘生成MNIST數(shù)據(jù)集。

順便補充一下甘訓練目標的數(shù)學語言描述：

公式解釋如下：

X：真實圖片;

Z：輸入?網絡的噪聲;

G（Z）：G ^網絡生成的圖片;

d（X）：真實圖片是否真實的概率;

d（G（X））：G ^網絡生成的圖片是否真實的概率。

正如之前的文章所述，生成網絡?的訓練目標是盡可能生成真實的圖片去欺騙判別網絡d;而判別網絡d的訓練目標就是盡可能把生成網絡?生成的圖片和真實的圖片區(qū)別開來，即訓練過程是一個動態(tài)的“博弈過程”。

因此，公式中的?網絡希望d（G（Z））盡可能得大; d網絡希望d（x）的的的盡可能得大，d（G（X））盡可能得小故而公式的訓練目標為：

更多關于甘的原理介紹和應用可參考“ 參考文獻 ”部分的內容。

具體模型

與【的的的Python】利用GAN神奇生成寶貝一文中使用的網絡結構不同，本文使用了全卷積網絡結構（即不再加入全連接層FC）。同時本文增加了訓練數(shù)據(jù)量，使用了大約5萬張動漫頭像作為訓練數(shù)據(jù)。

具體而言，生成器結構為：

判別器結構為：

具體實現(xiàn)詳見相關文件中的源代碼。

模型訓練

一。訓練數(shù)據(jù)集

使用了大約5萬張動漫頭像作為訓練數(shù)據(jù)集，數(shù)據(jù)集源：

https://zhuanlan.zhihu.com/p/24767059。

二，模型訓練

修改config.json文件中的訓練數(shù)據(jù)集路徑：

在CMD顯示窗口顯示運行顯示train.py文件即可。

訓練截圖：

效果展示

Epoch0：

Epoch5：

Epoch10：

Epoch15：

Epoch20：

Epoch25：

Epoch29：

更多

代碼截止2018年7月4日測試無誤。

相關文件中提供了訓練好的模型以及調用模型的簡單腳本，直接在cmd窗口運行“ test.py ”文件即可生成動漫頭像：