如何简单实现发版不影响客户使用？——Nginx负载均衡详细步骤指南 适合读者：初学者/进阶用户 在互联网时代，网站的稳定性和快速响应是吸引和留住用...
【零基础学AI】生成对抗网络(GAN)实战 - 手写数字生成（【新手入门AI】实战GAN：制作手写数字生成器）
科学教育
2025年07月10日 15:10 2
aaron
【零基础学AI】生成对抗网络(GAN)实战 - 手写数字生成
一、前言
生成对抗网络（GAN）是一种强大的深度学习模型，可以生成与真实数据分布相似的样本。本文将带领初学者通过一个简单的手写数字生成任务，了解GAN的基本原理和实战操作。
二、准备工作
环境配置
安装Python 3.6及以上版本
安装TensorFlow库：pip install tensorflow
数据集
下载MNIST手写数字数据集：https://www.tensorflow.org/datasets/catalog/mnist
三、实战步骤
导入库和加载数据
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
import tensorflow_datasets as tfds
# 加载MNIST数据集
mnist = tfds.load('mnist', split='train', shuffle_files=True)
定义生成器和判别器
def make_generator_model():
model = keras.Sequential()
model.add(layers.Dense(7*7*256, use_bias=False, input_shape=(100,)))
model.add(layers.LeakyReLU())
model.add(layers.Reshape((7, 7, 256)))
model.add(layers.Conv2DTranspose(128, (4, 4), strides=(2, 2), padding='same', use_bias=False))
model.add(layers.LeakyReLU())
model.add(layers.Conv2DTranspose(64, (4, 4), strides=(2, 2), padding='same', use_bias=False))
model.add(layers.LeakyReLU())
model.add(layers.Conv2DTranspose(1, (4, 4), strides=(2, 2), padding='same', use_bias=False, activation='tanh'))
return model
def make_discriminator_model():
model = keras.Sequential()
model.add(layers.Conv2D(64, (5, 5), strides=(2, 2), padding='same', input_shape=[28, 28, 1]))
model.add(layers.LeakyReLU())
model.add(layers.Dropout(0.3))
model.add(layers.Conv2D(128, (5, 5), strides=(2, 2), padding='same'))
model.add(layers.LeakyReLU())
model.add(layers.Dropout(0.3))
model.add(layers.Flatten())
model.add(layers.Dense(1))
return model
编译和训练模型
generator = make_generator_model()
discriminator = make_discriminator_model()
# 编译模型
discriminator.compile(loss='binary_crossentropy', optimizer=keras.optimizers.Adam(0.0001), metrics=['accuracy'])
generator.compile(loss='binary_crossentropy', optimizer=keras.optimizers.Adam(0.0001))
# 训练模型
for epoch in range(50):
for real_images, _ in mnist:
real_images = real_images.reshape(len(real_images), 28, 28, 1)
real_labels = np.ones((len(real_images), 1))
fake_images = generator.predict(np.random.normal(0, 1, (len(real_images), 100)))
fake_labels = np.zeros((len(fake_images), 1))
discriminator.train_on_batch(real_images, real_labels)
discriminator.train_on_batch(fake_images, fake_labels)
# 生成并保存生成的手写数字图片
generated_images = generator.predict(np.random.normal(0, 1, (25, 100)))
generated_images = generated_images * 255
generated_images = np.clip(generated_images, 0, 255).astype('uint8')
for i in range(25):
plt.imshow(generated_images[i, :, :, 0], cmap='gray')
plt.show()
四、总结
通过以上步骤，我们成功实现了使用GAN生成手写数字图片。希望本文能帮助初学者快速入门GAN，为后续学习打下基础。
上一篇
Java 大视界 -- 基于 Java 的大数据分布式计算在生物信息学蛋白质 - 蛋白质相互作用预测中的应用（Java视界：生物信息学中Java大数据分布式计算在蛋白质-蛋白质互作预测领域的应用）
下一篇如何简单实现发版不影响客户使用？nginx负载（Nginx负载下轻松实现发版不扰客户使用的技巧）
相关文章
最新评论