我想在 Keras 中训练一个 GAN。我的最终目标是开始，但我从最简单的开始。了解如何正确冻结权重在这里是必要的，这就是我正在努力解决的问题。
在生成器训练期间，鉴别器权重可能不会更新。我想交替 freeze 和 unfreeze 判别器来交替训练生成器和判别器。问题是在 discriminator 模型甚至其权重上将 trainable 参数设置为 false 并不会阻止模型进行训练（以及权重更新）。另一方面，当我在将 trainable 设置为 False 后编译模型时，权重变为 unfreezable。我无法在每次迭代后编译模型，因为这否定了整个训练的想法。
由于这个问题，许多 Keras 实现似乎存在错误，或者由于旧版本中的一些不直观的技巧或其他原因，它们可以正常工作。
【问题讨论】：
标签： python tensorflow neural-network keras theano
几个月前我尝试过这个示例代码，它确实有效： https://github.com/fchollet/keras/blob/master/examples/mnist_acgan.py
这不是GAN的最简单形式，但据我记忆，去除分类损失并将模型变成GAN并不太难。
您无需打开/关闭鉴别器的可训练属性并重新编译。只需创建和编译两个模型对象，一个带有trainable=True（代码中的discriminator），另一个带有trainable=False（代码中的combined）。
当您更新鉴别器时，请致电discriminator.train_on_batch()。更新生成器时，请致电combined.train_on_batch()。
【讨论】：
您可以使用tf.stop_gradient 有条件地冻结权重吗？
【讨论】：
tf.stop_gradient 正在停止渐变流动，这不是我想要实现的。我想让梯度流动并计算权重梯度，但不执行更新操作。
fit 和train_on_batch 方法，仅此而已。如果纯 Keras 没有解决方案，那么我将切换到 Tensorflow。
也许你的对抗网络（生成器加鉴别器）写在“模型”中。 然而，即使你设置了 d.trainable=False，独立的 d 网络被设置为不可训练的，但整个对抗网络中的 d 仍然是可训练的。
您可以在设置 d.trainable=False 之前使用 d_on_g.summary()，然后您就会明白我的意思（注意可训练变量）。
【讨论】：