模糊图变清晰(去雨去雾去抖动去马赛克等)这需要AI具有“想象力”能脑补情节

3、进行数据增强根据已有数据生成更多新数据供以feed可以减缓模型过拟合现象。

GAN中有两大组成部分G和D

给一个随机噪声z通过G生成一张假图然后用D去分辨是真图还是假图。

假设G生成了一张图在D那里的得分很高那么G就很成功的骗过了D如果D很轻松的分辨出了假图那么G的效果不好那么就需要调整参数了。

G和D是两个单独的网络那么他们的参数都是训练好的吗并不是两个网络的参数是需要在博弈的过程中分别优化的。

训练D时上一轮G产生的图片和真实图片一起作为x进行输入假图为0真图标签为1通过x生成一个score通过score和标签y计算损失就可以进行反向传播了。

训练G时G和D是一个整体取名为D_on_G。

输入随机噪声G产生一个假图D去分辨score

1就是需要我们需要优化的目标意思就是我们要让生成的图片变成真的。

这里的D是不需要参与梯度计算的我们通过反向传播来优化G让他生成更加真实的图片。

这就好比如果你参加考试你别指望能改变老师的评分标准

GAN无监督学习cGAN是有监督的以后会学习的。

怎么理解无监督学习呢这里给的真图是没有经过人工标注的只知道这是真的D是不知道这是什么的只需要分辨真假。

G也不知道生成了什么只需要学真图去骗D。

具体如何实施呢

注意这里有个归一化的过程MNIST是单通道但是如果mean0.50.50.5会报错因为是对3通道操作

not

os.path.exists(sample_dir):os.makedirs(sample_dir)transform

transforms.Compose([transforms.ToTensor(),transforms.Normalize(mean(0.5,),

for

torchvision.datasets.MNIST(root./data/,trainTrue,transformtransform,downloadTrue)

Data

torch.utils.data.DataLoader(datasetmnist,batch_sizebatch_size,

shuffleTrue)

生成器可以看到输入的维度为64是一组噪声图像通过生成器将特征扩大到了MNIST图像大小784。

判别器输入维度为图像大小最后输出特征个数为1采用sigmoid激活不用softmax的

Discriminator

nn.Sequential(nn.Linear(image_size,

hidden_size),nn.LeakyReLU(0.2),nn.Linear(hidden_size,

hidden_size),nn.LeakyReLU(0.2),nn.Linear(hidden_size,

1),nn.Sigmoid())#

nn.Sequential(nn.Linear(latent_size,

hidden_size),nn.ReLU(),nn.Linear(hidden_size,

hidden_size),nn.ReLU(),nn.Linear(hidden_size,

Device

torch.optim.Adam(D.parameters(),

lr0.0002)

torch.optim.Adam(G.parameters(),

lr0.0002)def

reset_grad():d_optimizer.zero_grad()g_optimizer.zero_grad()

判别器部分判别器的损失值分为两部分一将mini_batch定义为正样本告诉他我是正品所以设置标签为1。

优化判别器判断正品的能力二生成一幅赝品再给判别器判别这时候赝品的标签为0优化判断赝品的能力。

所以总损失为这两部分之和计算梯度优化判别器参数。

G_on_D输入一个噪声让生成器生成一幅图像然后让D去判别计算和正品之间的距离即损失。

反向传播优化G的参数。

Start

latent_size).to(device)fake_images

G(z)outputs

d_loss_fakereset_grad()d_loss.backward()d_optimizer.step()#

Train

latent_size).to(device)fake_images

G(z)outputs

https://arxiv.org/pdf/1406.2661.pdfg_loss

criterion(outputs,

optimizereset_grad()g_loss.backward()g_optimizer.step()if

(i1)

fake_images.reshape(fake_images.size(0),

28,

28)save_image(denorm(fake_images),

fake_images-{}.png.format(epoch1)))

import

torch.randn(1,latent_size).to(device)

output

plt.imshow(output.cpu().data.numpy().reshape(28,28),cmapgray)

plt.show()