生成对抗网络（GAN）的图像生成技术解析

### 生成对抗网络（GAN）的图像生成技术解析 #### 1. 基础GAN训练 在GAN的基础训练中，我们使用如下代码更新判别器的损失： ```python d_loss = (real_loss + fake_loss) / 2 # Update Discriminator loss d_loss.backward() optimizer_D.step() print(f'Epoch: {epoch}/{N_EPOCHS}-Batch: {i}/{len(dataloader)}—D.loss:{d_loss.item():.4f},G.loss:{g_loss.item():.4f}') batches_done = epoch * len(dataloader) + i if batches_done % SAMPLE_INTERVAL == 0: save_image(gen_imgs.data[:25], f"images/{batches_done}.png", nrow=5, normalize=True) ``` 我们以64的批量大小对基础GAN进行约200个周期的训练。从训练不同阶段的模型输出可以明显看到样本质量逐步提升。不过，基础GAN的结果虽令人鼓舞，但仍有改进空间。 #### 2. 改进的GAN架构 ##### 2.1 深度卷积生成对抗网络（DCGAN） 2016年Radford等人提出的DCGAN，除了关注卷积层外，还对GAN的输出进行了多方面改进。在DCGAN出现之前，输出图像的分辨率较为有限。DCGAN通过使用大于1的步幅移动卷积滤波器来提高图像分辨率，同时利用批量归一化稳定训练过程。 判别器模型方面，基于CNN的二分类器进行了改进，使用大于1的步幅对输入进行下采样，替代了池化层，同时依赖批量归一化和Leaky - RELU，并且没有全连接层。 生成器模型与基础GAN不同，仅需输入向量的维度，通过重塑和上采样层将向量转换为二维图像并提高分辨率，除输入层外没有全连接层。以下是构建DCGAN生成器模型的代码： ```python class Generator(nn.Module): def __init__(self): super(Generator, self).__init__() self.init_size = IMG_DIM // 4 self.l1 = nn.Sequential( nn.Linear(Z_DIM, 128 * self.init_size ** 2) ) self.conv_blocks = nn.Sequential( nn.BatchNorm2d(128), nn.Upsample(scale_factor=2), nn.Conv2d(128, 128, 3, stride=1, padding=1), nn.BatchNorm2d(128, 0.8), nn.LeakyReLU(0.2, inplace=True), nn.Upsample(scale_factor=2), nn.Conv2d(128, 64, 3, stride=1, padding=1), nn.BatchNorm2d(64, 0.8), nn.LeakyReLU(0.2, inplace=True), nn.Conv2d(64, NUM_CHANNELS, 3, stride=1, padding=1), nn.Tanh(), ) def forward(self, z): out = self.l1(z) out = out.view(out.shape[0], 128, self.init_size, self.init_size) img = self.conv_blocks(out) return img ``` DCGAN的训练循环与基础GAN相同，它能在更少的训练周期内生成所需输出，理论上能生成比基础GAN质量更高的图像。 ##### 2.2 条件生成对抗网络（C - GAN） 普通GAN虽能从训练域生成逼真样本，但无法控制生成特定类别的样本。而C - GAN由Mirza等人在2014年提出，能提供生成特定类别样本所需的控制。 C - GAN的生成器模型根据所需输出的特定特征生成假样本，判别器不仅要区分真假样本，还要判断生成样本与条件特征是否匹配。在“Conditional Adversarial Networks”的工作中，使用类标签作为额外的条件输入到生成器和判别器模型中。 以下是C - GAN的生成器和判别器模型代码： ```python # 生成器 class Generator(nn.Module): def __init__(self): super(Generator, self).__init__() self.label_emb = nn. ```