对卷积神经网络的结构做了一些改变，以提高样本的质量和收敛的速度。
取消所有pooling G中使用反卷积上采样 D中用加入stride卷积 代替 pooling去掉FC层 全卷积网络G用ReLU，最后一层用tanhD使用LReLU在G和D上都是用batchnorm：解决初始化差的问题；帮助梯度传播到每一层；防止G把所有样本都收敛到一个点；在G的输出层和D的输入层不采用BN为了防止样本震荡和模型不稳定。使用Adam（最优的优化器）beat1 = 0.5 由简单的GAN可以改出DCGAN，只需要更改model内容即可 #导入数据 (train_image, train_labels),(_,_) = tf.keras.dataset.minst.loaddata()#不需要测试数据，用占位符 # train_image.shape (60000,28,28) #train_images.dtype dtype(‘uint8’) 数据类型要利用归一化落到0的周围，因为激活函数 #能在0的周围发挥最大的作用 train_image = train_image.dtype(‘float32’)#将图片类型uint8转化为float型 (train_image – 127.5)/127.5 #使训练图像取值范围落到[-1,1] BATCH_SIZE = 256 BUFFER_SIZE = 60000 #一次取多少张/* #输入管道 datasets = tf.data.Dataset.from_tensor_slices(train_image) # 从rain_image 中创建数据集 datasets = datasets.shuffle(BUFFER_SIZE).batch(BATCH_SIZE) 定义生成器model def generator_model(): model = tf.keras.Sequential()#创建顺序模型 #第一层 model.add(layers.Dense(7*7*256,input_shape=(100,), use_bias=False))#长度为100的向量 model.add(layers.BatchNormalization()) model.add(layers.LeakyReLU())#使用内置激活函数 model.add(layers.Reshape((7,7,256))) #到这里图片大小为7*7*256 #上采样和反卷积不一样 model.add(layer,conv2DTranspose(128,(5,5),strides = (1,1) , padding = ‘same’,use_bias=False)) model.add(layers.batchnormalization()) model.add(layers.LeakyReLU()) #到这里图片大小为7*7*128 因为stride为1*1所以图像没有变大 model.add(layer,conv2DTranspose(64,(5,5),stride = (2,2) , padding = ‘same’,use_bias=False)) model.add(layers.batchnormalization()) model.add(layers.LeakyReLU()) #到这里图片大小为14*14*128 stride 为2*2，图像扩大*2 #卷积是channel变厚变小，反卷积是变薄变大 model.add(layer,conv2DTranspose( 1,(5,5),stride = (2,2) , padding = ‘same’,use_bias=False,activation = ‘tanh’))#28*28*1 Return model 定义辨别器model def discriminator_model(): model = keras.Sequential() model.add(layers.conv2D(64,(5,5),stride=(2,2),padding = ‘same’,input_shape(28,28,1))) model.add(layers.LeakyReLU())#14*14*64 Model.add(layer.Dropout(0.3)) #通用：创建GAN小技巧：辨别器不需要这么好 model.add(layers.conv2D(128,(5,5),stride=(2,2),padding = ‘same’)) model.add(layers.LeakyReLU())#7*7*128 Model.add(layer.Dropout(0.3)) model.add(layers.conv2D(256,(5,5),stride=(2,2),padding = ‘same’)) model.add(layers.LeakyReLU())#3*3*256 model.add(layers.Flatten()) model.add(layers.Dense(1)) 判断是真是假 return model Loss函数 cross_entropy= tf.keras.losses.BinaryCrossentropy(from_logits=True)#使用内置损失函数 判别器Loss def discriminator_loss(real_output,fake_ output): real_loss = Cross_entropy(tf.ones_like(real_output), real_output) fake_loss = Cross_entropy(tf.zeros_like(fake_output), fake_output) return Real_loss + fake_loss 生成器Loss def generator_loss(fake_output):#生成器只接收fake output 输入的不是一张图片 return Cross_entropy(tf.ones_like(fake_output), fake_output) #希望我们的图片都能为真 #优化器定义 generator_opt = tf.keras.optimizers.Adam(1e-4)#学习率为0.0001 discriminator_opt = tf.keras.optimizers.Adam(1e-4) #参数设置 EPOCHS = 100 noise_dim = 100 num_exp_to_generate = 16 #观察生成过程 用种子 Seed = tf.random.normal ([num_exp_to_generate, noise_dim]) discriminator = discriminator_model() generator = generator_model()#执行这两个函数，返回两个model def train_step(images): noise = tf.random.normal([BTACH_SIZE, noise_dim]) with tf.gradientTape() as gen_tape, With tf.gradientTape() as disc_tape, #记录梯度信息 real_out = discriminator(images, training = True) gen_image = generator(noise,training = true)#输入noise 产生一张图片 fake_out = discriminator(images, training = True) gen_loss = generator_loss(fake_output) disc_loss = discriminator_loss(real_output,fake_output) #计算梯度 gradient_gen = gen_tape_gradient(gen_loss,generator.trainable_variables) gradient_gen = disc_tape_gradient(disc_loss,discriminator.trainable_variables) #优化函数 generator_opt.apply_gradient(zip(gradient_gen, generator.trainable_variables)) discriminator_opt.apply_gradient(zip(gradient_disc, discriminator.trainable_variables))