使用 Keras 和 Tensorflow 构建辅助 GAN

machine learningkerastensorflow更新于 2026/1/28 14:22:17

使用 Keras 和 Tensorflow 构建的生成对抗网络 (GAN) 彻底改变了人工智能领域，因为它能够生成逼真且高质量的合成数据。

在本文中，我们将深入探讨 GAN 的世界，并探索辅助 GAN 的概念。借助 Keras 和 TensorFlow 的强大组合，我们将演示如何构建一个能够整合额外信息以增强生成过程的辅助 GAN。

理解 GAN

在深入研究辅助 GAN 之前，务必先了解 GAN 的基础知识。GAN 由两个神经网络组成:生成器和鉴别器。生成器旨在创建逼真的样本，例如图像，而鉴别器的任务是区分真实数据和生成的数据。这两个网络都通过对抗训练不断提升性能。

什么是辅助 GAN?

辅助 GAN(也称为 ACGAN)通过在鉴别器中添加辅助分类器来扩展传统的 GAN 架构。这个附加的分类器为生成的输出提供了额外的控制。当目标是基于特定标签或类别生成数据时，ACGAN 尤其有用。

构建辅助 GAN 的优势

构建辅助 GAN 的优势如下:-

改进的数据控制 - 通过引入辅助分类器，ACGAN 可以基于特定标签或类别生成数据。这种控制在图像合成、数据增强和条件数据生成等各种应用中都非常有用。

增强数据多样性 − ACGAN 中的辅助分类器鼓励生成器探索不同的类别，从而增加数据多样性。在处理不平衡数据集或生成多样化样本时，此功能非常有用。

使用 Keras 和 Tensorflow 构建辅助 GAN 的步骤

在深入实现之前，我们需要设置开发环境。我们将使用 Keras(一个高级深度学习库)以及 TensorFlow 作为后端。确保您的机器上已安装这两个工具。

以下是我们使用 Keras 和 Tensorflow 构建辅助 GAN 的步骤 -

步骤 1:导入所需的库

我们需要导入必要的库。导入 Keras 和 TensorFlow。

步骤 2:定义生成器网络

生成器网络以大小为 100 的随机噪声向量作为输入。
它由三个带有 ReLU 激活函数的密集层组成。
输出层有 784 个单元，带有 S 型激活函数，用于生成大小为 28x28x1 的图像。
最后一层将输出重塑为所需的图像形状。

步骤 3:定义判别网络

判别网络以大小为 28x28x1 的图像作为输入。
它包含一个扁平化层，用于将图像转换为一维向量。
紧接着是一个包含 256 个单元并采用 ReLU 激活函数的密集层。
为了防止过拟合，添加了一个丢弃率为 0.3 的丢弃层。
最后一层是一个采用 S 型激活函数的密集层，输出输入图像真实或虚假的概率。

步骤 4:定义辅助网络

辅助网络采用与输入。
它由两个带有 ReLU 激活函数的密集层组成。
最后一层包含 10 个单元，带有 softmax 激活函数，表示每个数字类别 (0-9) 的概率。

步骤 5:定义 GAN 模型

GAN 模型将随机噪声向量作为输入。
它将输入传递到生成器网络以生成图像。
然后将生成的图像输入到鉴别器中以确定其有效性。
同时，输入噪声向量通过辅助网络来预测数字标签。
GAN 模型输出生成图像的有效性和预测标签。

步骤6:打印 GAN 模型摘要

摘要概述了 GAN 模型架构。
它显示了每一层的类型、输出形状和参数数量。
显示模型中可训练参数的总数。

示例

我们来看一个实际示例 -

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

# 步骤 1:定义生成器网络
generator = keras.Sequential([
   layers.Dense(128, input_dim=100, activation="relu"),
   layers.Dense(256, activation="relu"),
   layers.Dense(784, activation="sigmoid"),
   layers.Reshape((28, 28, 1))
])

# 步骤 2:定义判别器网络
discriminator = keras.Sequential([
    layers.Flatten(input_shape=(28, 28, 1)),
    layers.Dense(256, activation="relu"),
    layers.Dropout(0.3),
    layers.Dense(1, activation="sigmoid")
])

# 步骤 3:定义辅助网络
auxiliary = keras.Sequential([
    layers.Dense(128, input_dim=100, activation="relu"),
    layers.Dense(10, activation="softmax")
])

# 步骤 4:定义 GAN 模型
latent_dim = 100
gan_input = keras.Input(shape=(latent_dim,))
generated_image = generator(gan_input)
validity = discriminator(generated_image)
label = auxiliary(gan_input)

gan = keras.models.Model(gan_input, [validity, label])

# 步骤 5:打印 GAN 模型摘要
gan.summary()

输出

C:\Users\Tutorialspoint>python mtt.py
Model: "model"
__________________________________________________________________________________________________
 Layer (type)                   Output Shape         Param #     Connected to
==================================================================================================
 input_1 (InputLayer)           [(None, 100)]        0           []

 sequential (Sequential)        (None, 28, 28, 1)    247440      ['input_1[0][0]']

 sequential_1 (Sequential)      (None, 1)            201217      ['sequential[0][0]']

 sequential_2 (Sequential)      (None, 10)           14218       ['input_1[0][0]']

==================================================================================================
Total params: 462,875
Trainable params: 462,875
Non-trainable params: 0