0

我正在尝试创建一个非常简单的 GANs 模型,但不确定如何结合生成器和鉴别器来训练生成器

from keras import optimizers
from keras.layers import Input, Dense
from keras.models import Sequential, Model
import numpy as np
def build_generator(input_dim=10, output_dim=40, hidden_dim=28):
     model = Sequential()
     model.add(Dense(hidden_dim, input_dim=input_dim, activation='sigmoid', kernel_initializer="random_uniform"))
     model.add(Dense(output_dim, activation='sigmoid', kernel_initializer="random_uniform"))
     return model

def build_discriminator(input_dim=40, hidden_dim=28, output_dim=50):
    input_d = Input(shape=(input_dim,))
    encoded = Dense(hidden_dim, activation='sigmoid', kernel_initializer="random_uniform")(input_d)
    decoded = Dense(output_dim, activation='sigmoid', kernel_initializer="random_uniform")(encoded)
    x = Dense(1, activation='relu')(encoded)
    y = Dense(1, activation='sigmoid')(encoded)
    model = Model(inputs=input_d, outputs=[decoded, x, y])
    return model

sgd = optimizers.SGD(lr=0.1) 
generator = build_generator(10, 100, 70)
discriminator = build_discriminator(100, 60, 80)
generator.compile(loss='mean_squared_error', optimizer=sgd)
discriminator.trainable = True
discriminator.compile(loss='mean_squared_error', optimizer=sgd)
discriminator.trainable = False

现在我不确定如何将它们结合起来,因此鉴别器将接收生成器输出,然后将传递生成器反向传播数据

4

2 回答 2

1

为此,最好的办法是使用函数Model式 API。这适用于更复杂的模型,接受分支、连接等。

(在这种特定情况下,使用顺序模型仍然是可能的,但使用功能 API 对我来说总是听起来更好,因为模型的自由和进一步的实验)

因此,您可以保留两个顺序模型。您所要做的就是构建包含这两个的第三个模型。

generator = build_generator(....) #don't create a new generator, use the one you have. 
discriminator = build_discriminator(....)

现在,函数式 API 模型的输入形状定义如下:

inputTensor = Input(inputShape) #inputShape must be the same as in generator     

我们通过将输入传递给层并获得输出来工作:

#Getting the output of the generator given our input tensor:
genOut = generator(inputTensor) #you call a model just like you call a layer    

#and we pass the generator's output to the discriminator, getting its output:
discOut = discriminator(genOut)

最后,我们通过定义它的起点和终点来创建实际模型:

GAN = Model(inputTensor, discOut)

使用model.layers[i].trainablebefore 参数compile来定义每个模型中哪些层可训练或不可训练。

于 2017-11-22T15:24:52.100 回答
0

确实,将生成器和判别器模型结合起来有时会很混乱。我在下面的链接中找到了这个存储库,它很好地演示了如何在 keras 中构建多种 GAN 架构的详细代码: https ://github.com/kochlisGit/Keras-GAN

于 2021-06-07T18:03:42.520 回答