生成对抗网络（1）

（1）GAN

将生成数据与复杂的现实数据进行拟合的主要方法之一。引入各种新颖的架构和训练对象，以解决人们对原有理念的感知不足，从而在实践中实现更稳定的训练和更真实的生成模型。

损失函数：训练初期，由于G 没有得到较好的训练，生成样本很差，D 会以高置信度的概率来拒绝初期生成的样本，导致log(1−D(G(z)))达到饱和，无法提供足够的梯度来更新 G。于是，采用最大化log(D(G(z)))来代替最小化log(1−D(G(z)))更新 G的参数。(实践时转化为最小化形式，加负号即可)

#最大化真实样本判为真的概率，最大化生成样本判为假的概率

#最大化生成样本判为真的概率

（2）DCGAN

DAGAN是GAN比较优秀的改进，主要是为GAN提供了一个非常良好的拓扑结构，提高了GAN的稳定性和生成质量。

其网络架构可以很好的与其他技术相结合，为GAN的发展提供了非常显著的贡献。

DCGAN使用卷积层代替了全连接层，使用带步长的卷积取代了pooling层和上采样层。

几乎每一层都使用batchnorm，将特征输出归一化。

防止梯度稀疏，**函数使用leakrelu，生成器输出层使用tanh。

生成对抗网络（1）

DCGAN实现：

#!/usr/bin/env python
# _*_coding:utf-8 _*_
#@Time    :2019/4/7 16:13
#@Author  :milo
#@FileName: DCGAN.py
import keras
from keras import layers
import numpy as np
import os
from keras.preprocessing import image

latent_dim = 32
height = 32
width = 32
channels = 3
#生成器
generator_input = keras.Input(shape=(latent_dim,))

x = layers.Dense(128 * 16 * 16)(generator_input)
x = layers.LeakyReLU()(x)
x = layers.Reshape((16,16,128))(x)

x = layers.Conv2D(256, 5, padding='same')(x)
x = layers.LeakyReLU()(x)

x = layers.Conv2DTranspose(256, 4, strides=2, padding='same')(x)
x = layers.LeakyReLU()(x)

x = layers.Conv2D(256, 5, padding='same')(x)
x = layers.LeakyReLU()(x)
x = layers.Conv2D(256, 5, padding='same')(x)
x = layers.LeakyReLU()(x)

x = layers.Conv2D(channels, 7, activation='tanh', padding='same')(x)
generator = keras.models.Model(generator_input, x)
generator.summary()

#判决器
discriminator_input = layers.Input(shape=(height, width, channels))
x = layers.Conv2D(128, 3)(discriminator_input)
x = layers.LeakyReLU()(x)
x = layers.Conv2D(128, 4, strides=2)(x)
x = layers.LeakyReLU()(x)
x = layers.Conv2D(128, 4, strides=2)(x)
x = layers.LeakyReLU()(x)
x = layers.Conv2D(128, 4, strides=2)(x)
x = layers.LeakyReLU()(x)
x = layers.Flatten()(x)
x = layers.Dropout(0.4)(x)
x = layers.Dense(1, activation='sigmoid')(x)
discriminator = keras.models.Model(discriminator_input, x)
discriminator_optimize = keras.optimizers.RMSprop(
    lr=0.0008,
    clipvalue=1.0,#优化器中使用了梯度裁剪（限制梯度值的范围）
    decay=1e-8#稳定训练，使用了学习率衰减
)
discriminator.compile(optimizer=discriminator_optimize,
                      loss='binary_crossentropy')


#连接生成器和判决器
discriminator.trainable = False
gan_input = keras.Input(shape=(latent_dim,))
gan_output = discriminator(generator(gan_input))
gan = keras.models.Model(gan_input, gan_output)
gan_optimizer = keras.optimizers.RMSprop(lr=0.0004, clipvalue=1.0, decay=1e-8)
gan.compile(optimizer=gan_optimizer, loss='binary_crossentropy')

#读取数据，开始训练
(x_train, y_train), (_, _) = keras.datasets.cifar10.load_data()
x_train = x_train[y_train.flatten()==6]
x_train = x_train.reshape((x_train.shape[0],)+
                          (height, width, channels)).astype('float32')/255
iterations = 10000
batch_size = 20
save_dir = 'output_dir'

start = 0
for step in range(iterations):
    random_latent_vectors = np.random.normal(size=(batch_size,latent_dim))
    #在潜在空间采样随机点
    generator_image = generator.predict(random_latent_vectors)#将随机点解码为虚假图像
    stop = start + batch_size
    real_images = x_train[start: stop]
    combined_images = np.concatenate([generator_image, real_images])

    labels = np.concatenate([np.ones((batch_size,1)),
                             np.zeros((batch_size, 1))])
    labels += 0.05 * np.random.random(labels.shape)
    #向标签中添加一个噪声，这是一个很重要的技巧
    d_loss = discriminator.train_on_batch(combined_images, labels)
    random_latent_vectors = np.random.normal(size=(batch_size, latent_dim))
    misleading_targets = np.zeros((batch_size, 1))

    a_loss = gan.train_on_batch(random_latent_vectors,
                                misleading_targets)
    start += batch_size
    if start > len(x_train) - batch_size:
        start = 0
    if start % 100 == 0:
        gan.save_weights('gan.h5')

        print('discriminator loss', d_loss)
        print('adversarial loss', a_loss)

        img = image.array_to_img(generator_image[0] * 255., scale=False)
        img.save(os.path.join(save_dir, 'generated_frog' + str(step) + '.png'))
        img = image.array_to_img(real_images[0] * 255., scale=False)
        img.save(os.path.join(save_dir, 'real_frog' + str(step) + '.png'))