《深度学习项目案例开发》课件-任务七：使用使用对抗神经网络生成图片

任务七：使用使用对抗神经网络生成图片项目概述、读取数据集人工智能学院—1.任务导入任务总结任务七：使用使用对抗神经网络生成图片工作任务-训练判别器生成器人工智能学院—1.任务导入任务总结任务七：使用使用对抗神经网络生成图片创建判别器生成器损失函数人工智能学院—1.任务导入任务总结任务七：使用使用对抗神经网络生成图片工作任务-创建判别器、生成器人工智能学院—1.任务导入任务总结任务七：使用使用对抗神经网络生成图片工作任务-生成手写字体图片人工智能学院—1.任务导入任务总结任务七：使用使用对抗神经网络生成图片DGGAN判别器人工智能学院—DGGAN判别器01DGGAN损失02DGGAN优化器03DGGAN训练04DGGAN判别器/01判别器（Discriminator）的作用至关重要。其主要功能是区分真实数据和生成数据，从而指导生成器（Generator）生成更加逼真的数据。判别器的主要任务是接收输入数据，并判断该数据是来自真实的训练数据集还是生成器生成的伪造数据，其输出通常是一个概率值，表示输入数据是真实数据的概率。判别器作用通过对生成器生成的数据进行判别，判别器为生成器提供反馈信号，生成器根据这些反馈不断调整自身参数，优化生成数据，使其更接近真实数据分布。在训练过程中，生成器和判别器进行“对抗”训练，生成器试图生成逼真的数据以欺骗判别器，而判别器则尽力提高判别准确率，这种对抗机制推动生成器生成更逼真的数据，提升GAN的整体表现。判别器作用DGGAN的判别器通常包括一系列卷积层、批归一化层、激活函数（通常是LeakyReLU）以及全连接层，最终输出一个用于判别输入图像是输入参数，如下图所示。DGGAN判别器结构判别器从训练集或者生成器中获取输入的数据例如在生成手写字体识别图片时，输入的是一张手写字体的图片，大小为（28，28，1）。输入层通常使用reshape函数将输入图像重新形状变换，例如reshape【x,（-1，28，28，1）】。DGGAN判别器输入在判别器中通常使用判别器块来逐步减少图像的尺寸并增加通道数，从而提取特征。每个判别器块包括一个卷积层、一个批归一化层和一个LeakyReLU激活函数，可以包含多个块。全连接层和批归一化层判别器模型通过卷积层提取图像特征，批归一化层提高训练稳定性，全连接层进行分类，最终输出2个神经元的结果，用于二分类任务，激活函数使用LeakyReLU。DGGAN判别器输出DGGAN损失/02生成器的目标是生成足够真实的照片，以欺骗判别器，使其认为这些生成的图像是真实的。生成器希望最大化判别器对生成图像的分类为真实图像的概率，也就是生成器表现良好，判别器会把生成的图片判别为真实的图片（或者1）。生成器损失这里使用sparse_softmax_cross_entropy_with_logits（logits，labels）函数计算损失，它需要传入两个参数：logits，形状为[batch_size，num_classes]的浮点型张量，表示模型的未归一化预测值（即逻辑回归的输入值）。Labels，形状为[batch_size]的整数型张量，表示每个样本的真实标签。标签值范围为[0，num_classes]。它返回一个形状为[batch_size]的张量，表示每个样本的交叉熵损失。生成器损失计算方法对于生成器，要求Labels的值为1，所以这里使用labels=tf.ones（[batch_size]，dtype=32）生成标签，logits的值是经过生成输出的值reconstructed_image。得到的形状为[batch_size]的张量，返回一个包含每个样本损失的张量。最后使用tf.reduce_mean对所有样本的损失求平均，得到最终的平均损失值。sparse_softmax_cross_entropy_with_logits函数广泛用于多分类任务中的模型训练，如图像分类、文本分类等。当类别标签是稀疏的整数编码时（而不是one-hot编码），使用该函数可以方便地计算损失。生成器损失计算方法判别器（Discriminator）在生成对抗网络（GAN）中的作用是对输入的数据进行分类，判断其是来自真实数据分布还是生成器生成的假数据。判别器的损失函数设计是为了使其能够有效地区分真实数据和生成数据，从而指导生成器的训练过程。判别器接收输入数据，可以是真实数据（从训练集中来）或者生成器生成的数据（通过生成器产生的假数据）。输出是一个单值（或概率），表示判别器认为输入数据是真实数据的可能性。DGGAN判别器损失对于真实数据，判别器应该输出一个接近于1的值，表示它将真实数据判别为真实的概率。对于生成数据，判别器应该输出一个接近于0的值，表示它将生成的假数据判别为假的概率。判别器的总体损失是真实数据损失和生成数据损失的加和，反映了判别器在区分真实数据和生成数据方面的性能。DGGAN判别器损失计算判别器损失需要两个值disc_fake表示判别器对生成数据的输出和。disc_real表示判别器对真实数据的输出。先计算判别器对真实数据的损失，logits=disc_real是判别器对真实数据的输出，labels=tf.ones（[batch_size]，dtype=32）是全为1的标签，表示这些数据是真实的。计算判别器对生成数据的损失，logits=disc_fake是判别器对生成数据的输出，labels=tf.zeros（[batch_size]，dtype=32）是全为0的标签，表示这些数据是生成的。最后返回真实数据损失与生成数据损失之和，作为判别器的总损失。DGGAN判别器损失计算方法DGGAN优化器/03首先使用真实数据和生成器生成假数据来计算判别器的损失，然后优化判别器的参数；接着再次生成假数据并计算生成器的损失，最后优化生成器的参数。通过这种交替的方式，生成器和判别器能够互相竞争和提升，最终达到生成更逼真数据的目标。首先使用使用Adam优化器（学习率由lr_generator控制），生成一个优化器。然后将真实图像数据处理到[-1，1]范围内，同时生成noise，用于生成假图像的噪音数据，通过正态分布生成，形状为[batch_size，noise_dim]。使用通过梯度带（GradientTape）来实现自动求导，使用tf.GradientTape（）创建一个新的梯度带对象g，通过调用g.gradient（target,sources）方法，计算目标函数target对源张量sources的梯度。将计算得到的梯度应用于优化器（如Adam、SGD等），通过优化器更新模型参数。优化器中判别器训练过程如下，创建一个梯度带，用于记录操作以便后向传播计算梯度。使用生成器生成假图像（fake_images），判别器对生成的假图像的输出和真实图像的输出。调用discriminator_loss函数计算判别器的总体损失。使用梯度带计算判别器的梯度。应用判别器优化器的梯度来更新判别器的可训练变量。生成器的训练过程和判别器类似。DGGAN训练/04它首先对生成器和判别器进行初始化，计算初始的损失值。然后，在每个训练步骤中，通过run_optimization函数优化生成器和判别器，打印并定期保存模型权重。最后，在训练结束时保存最终模型，并返回训练后的生成器和判别器模型。通常使用enumerate遍历训练数据集train_data，每次取出一个批次数据batch_x。调用优化器函数，对生成器和判别器进行一次优化步骤，并返回当前步骤的生成器损失和判别器损