Python人工智能学习PyTorch实现WGAN示例详解

时间:2022-06-14 07:37:58

1.GAN简述

在GAN中,有两个模型,一个是生成模型,用于生成样本,一个是判别模型,用于判断样本是真还是假。但由于在GAN中,使用的JS散度去计算损失值,很容易导致梯度弥散的情况,从而无法进行梯度下降更新参数,于是在WGAN中,引入了Wasserstein Distance,使得训练变得稳定。本文中我们以服从高斯分布的数据作为样本。

 

2.生成器模块

这里从2维数据,最终生成2维,主要目的是为了可视化比较方便。也就是说,在生成模型中,我们输入杂乱无章的2维的数据,通过训练之后,可以生成一个赝品,这个赝品在模仿高斯分布。

Python人工智能学习PyTorch实现WGAN示例详解

 

3.判别器模块

判别器同样输入的是2维的数据。比如我们上面的生成器,生成了一个2维的赝品,输入判别器之后,它能够最终输出一个sigmoid转换后的结果,相当于是一个概率,从而判别,这个赝品到底能不能达到以假乱真的程度。

Python人工智能学习PyTorch实现WGAN示例详解

 

4.数据生成模块

由于我们使用的是高斯模型,因此,直接生成我们需要的数据即可。我们在这个模块中,生成8个服从高斯分布的数据。

Python人工智能学习PyTorch实现WGAN示例详解

 

5.判别器训练

由于使用JS散度去计算损失的时候,会很容易出现梯度极小,接近于0的情况,会使得梯度下降无法进行,因此计算损失的时候,使用了Wasserstein Distance,去度量两个分布之间的差异。因此我们假如了梯度惩罚的因子。

Python人工智能学习PyTorch实现WGAN示例详解

其中,梯度惩罚的模块如下:

Python人工智能学习PyTorch实现WGAN示例详解

 

6.生成器训练

这里的训练是紧接着判别器训练的。也就是说,在一个周期里面,先训练判别器,再训练生成器。

Python人工智能学习PyTorch实现WGAN示例详解

 

7.结果可视化

通过visdom可视化损失值,通过matplotlib可视化分布的预测结果。

Python人工智能学习PyTorch实现WGAN示例详解

以上就是人工智能学习PyTorch实现WGAN示例详解的详细内容,更多关于PyTorch实现WGAN的资料请关注服务器之家其它相关文章!

原文链接:https://blog.csdn.net/Swayzzu/article/details/121192285