### 使用Keras实现GAN（生成对抗网络） 以下是基于Keras框架构建生成对抗网络（GAN）的完整方法和示例代码。此方案适用于深度卷积GAN（DCGAN），其核心组件包括`Generator`（生成器）、`Discriminator`（判别器）以及组合两者的`GAN`模型。 #### 1. 数据准备 在本实例中，我们将使用CIFAR10数据集中的一类图像作为输入数据源。为了简化训练过程，仅选取某一特定类别（如“frog”青蛙类别的图像）。通过加载并预处理这些图像，可以将其调整为适合神经网络输入的标准尺寸和范围。 ```python import numpy as np from tensorflow.keras.datasets import cifar10 # 加载 CIFAR10 数据集 (x_train, y_train), (_, _) = cifar10.load_data() # 过滤出 'frog' 类 (label=6) 的图片 x_frog = x_train[y_train.flatten() == 6] # 归一化到 [-1, 1] 范围 x_frog = x_frog / 127.5 - 1. x_frog = np.expand_dims(x_frog, axis=-1) print(f"Frogs shape: {x_frog.shape}") ``` #### 2. 构建 Discriminator（判别器） 判别器是一个标准的卷积神经网络，用于区分真实图像与伪造图像。它的输出是对给定输入是否为真实样本的概率预测值。 ```python from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv2D, Dense, Flatten, LeakyReLU, Dropout def build_discriminator(img_shape): model = Sequential() model.add(Conv2D(32, kernel_size=3, strides=2, input_shape=img_shape)) model.add(LeakyReLU(alpha=0.2)) model.add(Dropout(0.25)) model.add(Conv2D(64, kernel_size=3, strides=2)) model.add(ZeroPadding2D(padding=((0,1),(0,1)))) model.add(BatchNormalization(momentum=0.8)) model.add(LeakyReLU(alpha=0.2)) model.add(Dropout(0.25)) model.add(Flatten()) model.add(Dense(1, activation='sigmoid')) img = Input(shape=img_shape) validity = model(img) return Model(img, validity) img_shape = (32, 32, 3) discriminator = build_discriminator(img_shape) discriminator.compile(loss='binary_crossentropy', optimizer="adam", metrics=['accuracy']) ``` #### 3. 构建 Generator（生成器） 生成器负责从随机噪声向量生成逼真的图像。通常采用反卷积操作（`Conv2DTranspose`）逐步放大特征图直至达到目标分辨率。 ```python from tensorflow.keras.layers import UpSampling2D, Conv2DTranspose def build_generator(latent_dim): model = Sequential() model.add(Dense(128 * 8 * 8, activation="relu", input_dim=latent_dim)) model.add(Reshape((8, 8, 128))) model.add(UpSampling2D()) model.add(Conv2D(128, kernel_size=3, padding="same")) model.add(BatchNormalization(momentum=0.8)) model.add(Activation("relu")) model.add(UpSampling2D()) model.add(Conv2D(64, kernel_size=3, padding="same")) model.add(BatchNormalization(momentum=0.8)) model.add(Activation("relu")) model.add(Conv2D(3, kernel_size=3, padding="same")) model.add(Activation("tanh")) noise = Input(shape=(latent_dim,)) img = model(noise) return Model(noise, img) latent_dim = 100 generator = build_generator(latent_dim) ``` #### 4. 组合 GAN 模型 将生成器和判别器连接起来形成完整的GAN架构。注意，在训练过程中需冻结判别器参数更新以便专注于优化生成器性能。 ```python def build_gan(generator, discriminator): discriminator.trainable = False gan_input = Input(shape=(latent_dim,)) generated_img = generator(gan_input) gan_output = discriminator(generated_img) gan_model = Model(inputs=gan_input, outputs=gan_output) gan_model.compile(loss='binary_crossentropy', optimizer="adam") return gan_model gan = build_gan(generator, discriminator) ``` #### 5. 训练流程 定义好各部分之后即可进入实际训练阶段。交替执行两个子任务——先单独提升判别能力再联合改进整体表现。 ```python epochs = 20000 batch_size = 32 sample_interval = 2000 for epoch in range(epochs): # --------------------- # Train Discriminator # --------------------- idx = np.random.randint(0, x_frog.shape[0], batch_size) real_imgs = x_frog[idx] noise = np.random.normal(0, 1, (batch_size, latent_dim)) fake_imgs = generator.predict(noise) d_loss_real = discriminator.train_on_batch(real_imgs, np.ones((batch_size, 1))) d_loss_fake = discriminator.train_on_batch(fake_imgs, np.zeros((batch_size, 1))) d_loss = 0.5 * np.add(d_loss_real, d_loss_fake) # ----------------- # Train Generator # ----------------- noise = np.random.normal(0, 1, (batch_size, latent_dim)) valid_y = np.array([1]*batch_size) g_loss = gan.train_on_batch(noise, valid_y) if epoch % sample_interval == 0: print("%d [D loss: %f, acc.: %.2f%%] [G loss: %f]" %(epoch, d_loss[0], 100*d_loss[1], g_loss)) ``` 以上展示了如何借助Keras库创建一个基础版本的GAN结构及其运行逻辑[^1][^2]。