首页 > 代码库 > 不要怂，就是GAN (生成式对抗网络) （四）：训练和测试 GAN
不要怂，就是GAN (生成式对抗网络) （四）：训练和测试 GAN
在 /home/your_name/TensorFlow/DCGAN/ 下新建文件 train.py，同时新建文件夹 logs 和文件夹 samples，前者用来保存训练过程中的日志和模型，后者用来保存训练过程中采样器的采样图片，在 train.py 中输入如下代码：
# -*- coding: utf-8 -*- import tensorflow as tf import os from read_data import * from utils import * from ops import * from model import * from model import BATCH_SIZE def train(): # 设置 global_step ，用来记录训练过程中的 step global_step = tf.Variable(0, name = ‘global_step‘, trainable = False) # 训练过程中的日志保存文件 train_dir = ‘/home/your_name/TensorFlow/DCGAN/logs‘ # 放置三个 placeholder，y 表示约束条件，images 表示送入判别器的图片， # z 表示随机噪声 y= tf.placeholder(tf.float32, [BATCH_SIZE, 10], name=‘y‘) images = tf.placeholder(tf.float32, [64, 28, 28, 1], name=‘real_images‘) z = tf.placeholder(tf.float32, [None, 100], name=‘z‘) # 由生成器生成图像 G G = generator(z, y) # 真实图像送入判别器 D, D_logits = discriminator(images, y) # 采样器采样图像 samples = sampler(z, y) # 生成图像送入判别器 D_, D_logits_ = discriminator(G, y, reuse = True) # 损失计算 d_loss_real = tf.reduce_mean( tf.nn.sigmoid_cross_entropy_with_logits(D_logits, tf.ones_like(D))) d_loss_fake = tf.reduce_mean( tf.nn.sigmoid_cross_entropy_with_logits(D_logits_, tf.zeros_like(D_))) d_loss = d_loss_real + d_loss_fake g_loss = tf.reduce_mean( tf.nn.sigmoid_cross_entropy_with_logits(D_logits_, tf.ones_like(D_))) # 总结操作 z_sum = tf.histogram_summary("z", z) d_sum = tf.histogram_summary("d", D) d__sum = tf.histogram_summary("d_", D_) G_sum = tf.image_summary("G", G) d_loss_real_sum = tf.scalar_summary("d_loss_real", d_loss_real) d_loss_fake_sum = tf.scalar_summary("d_loss_fake", d_loss_fake) d_loss_sum = tf.scalar_summary("d_loss", d_loss) g_loss_sum = tf.scalar_summary("g_loss", g_loss) # 合并各自的总结 g_sum = tf.merge_summary([z_sum, d__sum, G_sum, d_loss_fake_sum, g_loss_sum]) d_sum = tf.merge_summary([z_sum, d_sum, d_loss_real_sum, d_loss_sum]) # 生成器和判别器要更新的变量，用于 tf.train.Optimizer 的 var_list t_vars = tf.trainable_variables() d_vars = [var for var in t_vars if ‘d_‘ in var.name] g_vars = [var for var in t_vars if ‘g_‘ in var.name] saver = tf.train.Saver() # 优化算法采用 Adam d_optim = tf.train.AdamOptimizer(0.0002, beta1 = 0.5) .minimize(d_loss, var_list = d_vars, global_step = global_step) g_optim = tf.train.AdamOptimizer(0.0002, beta1 = 0.5) .minimize(g_loss, var_list = g_vars, global_step = global_step) os.environ[‘CUDA_VISIBLE_DEVICES‘] = str(0) config = tf.ConfigProto() config.gpu_options.per_process_gpu_memory_fraction = 0.2 sess = tf.InteractiveSession(config=config) init = tf.initialize_all_variables() writer = tf.train.SummaryWriter(train_dir, sess.graph) # 这个自己理解吧 data_x, data_y = read_data() sample_z = np.random.uniform(-1, 1, size=(BATCH_SIZE, 100)) # sample_images = data_x[0: 64] sample_labels = data_y[0: 64] sess.run(init) # 循环 25 个 epoch 训练网络 for epoch in range(25): batch_idxs = 1093 for idx in range(batch_idxs): batch_images = data_x[idx*64: (idx+1)*64] batch_labels = data_y[idx*64: (idx+1)*64] batch_z = np.random.uniform(-1, 1, size=(BATCH_SIZE, 100)) # 更新 D 的参数 _, summary_str = sess.run([d_optim, d_sum], feed_dict = {images: batch_images, z: batch_z, y: batch_labels}) writer.add_summary(summary_str, idx+1) # 更新 G 的参数 _, summary_str = sess.run([g_optim, g_sum], feed_dict = {z: batch_z, y: batch_labels}) writer.add_summary(summary_str, idx+1) # 更新两次 G 的参数确保网络的稳定 _, summary_str = sess.run([g_optim, g_sum], feed_dict = {z: batch_z, y: batch_labels}) writer.add_summary(summary_str, idx+1) # 计算训练过程中的损失，打印出来 errD_fake = d_loss_fake.eval({z: batch_z, y: batch_labels}) errD_real = d_loss_real.eval({images: batch_images, y: batch_labels}) errG = g_loss.eval({z: batch_z, y: batch_labels}) if idx % 20 == 0: print("Epoch: [%2d] [%4d/%4d] d_loss: %.8f, g_loss: %.8f" % (epoch, idx, batch_idxs, errD_fake+errD_real, errG)) # 训练过程中，用采样器采样，并且保存采样的图片到 # /home/your_name/TensorFlow/DCGAN/samples/ if idx % 100 == 1: sample = sess.run(samples, feed_dict = {z: sample_z, y: sample_labels}) samples_path = ‘/home/your_name/TensorFlow/DCGAN/samples/‘ save_images(sample, [8, 8], samples_path + ‘test_%d_epoch_%d.png‘ % (epoch, idx)) print ‘save down‘ # 每过 500 次迭代，保存一次模型 if idx % 500 == 2: checkpoint_path = os.path.join(train_dir, ‘DCGAN_model.ckpt‘) saver.save(sess, checkpoint_path, global_step = idx+1) sess.close() if __name__ == ‘__main__‘: train()
输入完成后点击运行，运行过程中，可以看到，生成的每个图片对应行对应列都是一样的数字，这是因为我们加了条件约束；采样器 sampler 采样的图片被保存在 samples 文件夹下，由模糊到清晰，由刚开始的噪声，慢慢变成手写字符，最后完全区分不出来是生成图片还是真实图片，反正我是区分不出来，you can you up。
与此同时，要是在训练的时候打开 TensorBoard，可以看到 D 的分布，大致在趋于 0.5 左右的附件徘徊，说明判别器 D 已经趋于判别不出来了，只能随机猜测，正确率大致 0.5。
讲道理，我们的 GAN 到这一步，已经算是完成了，测试的过程，我们已经在训练的时候通过采样完成了，如果嫌不够，非要单独写个测试的文件，也不是不可以：
在 /home/your_name/TensorFlow/DCGAN/ 下新建文件 eval.py 和文件夹 eval，eval 文件夹用来保存测试结果图片，在 eval.py 中输入如下代码：
# -*- coding: utf-8 -*- import tensorflow as tf import os from read_data import * from utils import * from ops import * from model import * from model import BATCH_SIZE def eval(): # 用于存放测试图片 test_dir = ‘/home/your_name/TensorFlow/DCGAN/eval/‘ # 从此处加载模型 checkpoint_dir = ‘/home/your_name/TensorFlow/DCGAN/logs/‘ y= tf.placeholder(tf.float32, [BATCH_SIZE, 10], name=‘y‘) z = tf.placeholder(tf.float32, [None, 100], name=‘z‘) G = generator(z, y) data_x, data_y = read_data() sample_z = np.random.uniform(-1, 1, size=(BATCH_SIZE, 100)) sample_labels = data_y[120: 184] # 读取 ckpt 需要 sess，saver print("Reading checkpoints...") ckpt = tf.train.get_checkpoint_state(checkpoint_dir) # saver saver = tf.train.Saver(tf.all_variables()) # sess os.environ[‘CUDA_VISIBLE_DEVICES‘] = str(0) config = tf.ConfigProto() config.gpu_options.per_process_gpu_memory_fraction = 0.2 sess = tf.InteractiveSession(config=config) # 从保存的模型中恢复变量 if ckpt and ckpt.model_checkpoint_path: ckpt_name = os.path.basename(ckpt.model_checkpoint_path) saver.restore(sess, os.path.join(checkpoint_dir, ckpt_name)) # 用恢复的变量进行生成器的测试 test_sess = sess.run(G, feed_dict = {z: sample_z, y: sample_labels}) # 保存测试的生成器图片到特定文件夹 save_images(test_sess, [8, 8], test_dir + ‘test_%d.png‘ % 500) sess.close() if __name__ == ‘__main__‘: eval()
点击运行，在 eval 文件夹下生成test_500.png 文件，可以看到，生成器 G 已经可以生成不错的结果。
训练测试完，可以打开 TensorBoard 查看网络的 Graph，可以看到，由于没有细致采用 namespace 和 variable_scope ，画出来的 Graph 比较凌乱，只能依稀的看出来网络的一些结构。
至此，我们的 TensorFlow GAN 工作基本完成，细心的朋友会发现，我们的程序存在以下几个问题：
1）在写 eval() 函数的时候，对于生成函数 generator()，没有指定 train = False，也就是在 BN 层，没有体现出训练和测试的区别；
2）在我的这篇 http://www.cnblogs.com/Charles-Wan/p/6197019.html 博客中，提到了我采用了 tfrecords 进行 GAN 数据的输入处理，但是此程序并没有体现出来；
3）没有细致的采用 namespace 和 variable_scope ，画出来的 Graph 比较凌乱；
4）程序中太多不明含义的数字，路径名字全都采用绝对路径；
5）训练过程中不能断点续训练等。
针对以上问题，我们在下一节的不加约束 GAN 上将进行改进。
参考文献：
1. https://github.com/carpedm20/DCGAN-tensorflow
不要怂，就是GAN (生成式对抗网络) （四）：训练和测试 GAN
声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任，若内容有误或涉及侵权可进行投诉： 投诉/举报 工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。