生成对抗网络的基本概述！

点击上方关注，All in AI中国

作者：John Olafenwa

人类非常善于认识事物，并创造新事物。长期以来，我们一直致力于通过训练计算机提高模仿人类识别事物的能力，但其创造新事物的能力却长期被人工智能系统团队所忽视。直到2014年，Ian Goodfellow创建了生成对抗网络（Generative Adversarial Networks）。在这篇文章中，我们将通过生成对抗网络的基本概述，使用生成对抗网络（GAN）生成特定数字的图像。

生成对抗网络（GAN）概述

想象一下，如果你是一名艺术家，你试图画出一幅非常逼真的奥巴马画像，这将会愚弄鉴别者，认为其画面是真实的照片。你第一次这样做时，鉴别者很容易发现你的图像是假的，然后你一次又一次地尝试，直到鉴别者被骗认为其图像是真实的照片。生成对抗网络（Generative Adversarial Networks）就是以这种方式工作，它由两个模型组成：绘制图像的生成器（Generator）和尝试区分真实图像和由鉴别器绘制的图像的鉴别器（Discriminator）。

以下是GAN Generator创建的样本。

资料来源：Karras等，2017年（http://arxiv.org/abs/1710.10196

GAN包括两个通用类，即随机生成任何类图像的无条件GAN和生成特定类的条件GAN。

在本教程中，我们将使用条件GAN，因为它们允许我们指定我们想要生成的内容。

工具设置

训练GAN通常很复杂，但是由于采用基于PyTorch的研究框架Torchfusion，这个过程将非常简单方便。

通过PyPi安装Torchfusion

安装PyTorch

如果你还没有安装torchfusion，请访问pytorch.org以获取PyTorch（https://pytorch.org/）的最新安装二进制文件。

现在完全安装好了！

接下来，导入两个类。

定义生成器网络和鉴别器：

在上文中，我们将要生成的图像的分辨率指定为1×32 ×32。

为生成器（Generator）和鉴别器（Discriminator）模型设置优化器

现在我们需要加载一个数据集，我们将尝试从中提取样本。在这种情况下，我们将使用MNIST。

下面我们创建一个学习者，TroChink拥有高度专业化和不同目的各种学习者。

现在，我们可以调用训练函数来训练这两个模型

通过将save_outputs_interval指定为500，学习者将在每500次批处理迭代后显示样本生成的输出。

这是完整的代码

经过20个训练周期之后，生成下图：

现在到了最激动人心的部分，使用训练有素的模型，你可以轻松生成特定数字的新图像。在下面的代码中，我们生成了一个数字6的新图像，你可以指定0到9之间的任何数字

结果：

生成对抗网络（GAN）是一个令人兴奋的研究领域，通过优化GAN算法的优化实现，Torchfusion使其变得非常简单。

编译出品