tensorflow生成对抗网络
import tensorflow as tf
import numpy as np
import os
from tensorflow.examples.tutorials.mnist import input_data
from matplotlib import pyplot as pltBATCH_SIZE = 64
UNITS_SIZE = 128
LEARNING_RATE = 0.001
EPOCH = 300
SMOOTH = 0.1print("mnist手写体生成对抗网络示例.")
mnist = input_data.read_data_sets('MNIST_data/', one_hot=True)# 生成模型
def generatorModel(noise_img, units_size, out_size, alpha=0.01):with tf.variable_scope('generator'):FC = tf.layers.dense(noise_img, units_size)reLu = tf.nn.leaky_relu(FC, alpha)drop = tf.layers.dropout(reLu, rate=0.2)logits = tf.layers.dense(drop, out_size)outputs = tf.tanh(logits)return logits, outputs# 判别模型
def discriminatorModel(images, units_size, alpha=0.01, reuse=False):with tf.variable_scope('discriminator', reuse=reuse):FC = tf.layers.dense(images, units_size)reLu = tf.nn.leaky_relu(FC, alpha)logits = tf.layers.dense(reLu, 1)outputs = tf.sigmoid(logits)return logits, outputs# 损失函数
"""
判别器的目的是：
1. 对于真实图片，D要为其打上标签1
2. 对于生成图片，D要为其打上标签0
生成器的目的是：对于生成的图片，G希望D打上标签1
"""def loss_function(real_logits, fake_logits, smooth):# 生成器希望判别器判别出来的标签为1; tf.ones_like()创建一个将所有元素都设置为1的张量G_loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=fake_logits,labels=tf.ones_like(fake_logits)*(1-smooth)))# 判别器识别生成器产出的图片，希望识别出来的标签为0fake_loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=fake_logits,labels=tf.zeros_like(fake_logits)))# 判别器判别真实图片，希望判别出来的标签为1real_loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(logits=real_logits,labels=tf.ones_like(real_logits)*(1-smooth)))# 判别器总lossD_loss = tf.add(fake_loss, real_loss)return G_loss, fake_loss, real_loss, D_loss# 优化器
def optimizer(G_loss, D_loss, learning_rate):train_var = tf.trainable_variables()G_var = [var for var in train_var if var.name.startswith('generator')]D_var = [var for var in train_var if var.name.startswith('discriminator')]# 因为GAN中一共训练了两个网络，所以分别对G和D进行优化G_optimizer = tf.train.AdamOptimizer(learning_rate).minimize(G_loss, var_list=G_var)D_optimizer = tf.train.AdamOptimizer(learning_rate).minimize(D_loss, var_list=D_var)return G_optimizer, D_optimizer# 训练
def train(mnist):image_size = mnist.train.images[0].shape[0]real_images = tf.placeholder(tf.float32, [None, image_size])fake_images = tf.placeholder(tf.float32, [None, image_size])#调用生成模型生成图像G_outputG_logits, G_output = generatorModel(fake_images, UNITS_SIZE, image_size)# D对真实图像的判别real_logits, real_output = discriminatorModel(real_images, UNITS_SIZE)# D对G生成图像的判别fake_logits, fake_output = discriminatorModel(G_output, UNITS_SIZE, reuse=True)# 计算损失函数G_loss, real_loss, fake_loss, D_loss = loss_function(real_logits, fake_logits, SMOOTH)# 优化G_optimizer, D_optimizer = optimizer(G_loss, D_loss, LEARNING_RATE)saver = tf.train.Saver()step = 0with tf.Session() as session:session.run(tf.global_variables_initializer())for epoch in range(EPOCH):for batch_i in range(mnist.train.num_examples // BATCH_SIZE):batch_image, _ = mnist.train.next_batch(BATCH_SIZE)# 对图像像素进行scale，tanh的输出结果为(-1,1)batch_image = batch_image * 2 -1# 生成模型的输入噪声noise_image = np.random.uniform(-1, 1, size=(BATCH_SIZE, image_size))#session.run(G_optimizer, feed_dict={fake_images:noise_image})session.run(D_optimizer, feed_dict={real_images: batch_image, fake_images: noise_image})step = step + 1# 判别器D的损失loss_D = session.run(D_loss, feed_dict={real_images: batch_image, fake_images:noise_image})# D对真实图片loss_real =session.run(real_loss, feed_dict={real_images: batch_image, fake_images: noise_image})# D对生成图片loss_fake = session.run(fake_loss, feed_dict={real_images: batch_image, fake_images: noise_image})# 生成模型G的损失loss_G = session.run(G_loss, feed_dict={fake_images: noise_image})print('epoch:', epoch, 'loss_D:', loss_D, ' loss_real', loss_real, ' loss_fake', loss_fake, ' loss_G', loss_G)model_path = os.getcwd() + os.sep + "mnist.model"saver.save(session, model_path, global_step=step)def main(argv=None):train(mnist)if __name__ == '__main__':#tf.app.run()main()
相关文章：
博客园今天早上是不是出现什么问题了？
下面是我进我的blog后台管理和浏览博客园给出的提示。大约几分钟后恢复正常。转载于:https://www.cnblogs.com/freeyzh/archive/2004/12/01/71269.html
模态框获取id一直不变，都是同一个id值
2019独角兽企业重金招聘Python工程师标准>>> $(.refund-btn).click(function(){//此处必须是$(this),否则$(.refund-btn)重新获取，导致值一直不变var id $(this).attr(data-id);//var id $(.refund-btn).attr(data-id);错误，这样会导致一直…
标准功能模块组件 -- 内部联络单组件，内部邮件组件，提高多人异地协同办公效率...
为什么80%的码农都做不了架构师？>>> 未必什么功能都需要自己开发，我们不会自己开发一个数据库系统，也不会自己开发一个操作系统，同样我们每个功能模块都未必需要自己开发，自己开发最核心的模块，…
Microsoft patterns practices Enterprise Library released
一直关注这个东西，本来订阅了RSS，没想到GotDotNet上面的发布信息给清空了。 上周末发布的，今天才看到，刚刚下载了一个，下载还要求注册，真麻烦，现把地址共享，方便大家。 http://down…
图论之拓扑排序 poj 2367 Genealogical tree
题目链接 http://poj.org/problem?id2367 题意就是给定一系列关系，按这些关系拓扑排序。 #include<cstdio> #include<cstring> #include<queue> #include<vector> #include<algorithm> using namespace std; const int maxn200; int…
算法基础知识科普：8大搜索算法之顺序搜索
基本概念和术语 搜索表（Search Table）：是由同一类型的数据元素（或记录）构成的集合。 关键字（Key）：是数据元素中某个数据项的值，用它可以标识一个数据元素。若此关键字…
foj2024
为什么80%的码农都做不了架构师？>>> http://acm.fzu.edu.cn/problem.php?pid2024 View Code #include < stdio.h > #include < string .h > #define M 1010 int c[M][M]; int f[M][M]; int min( int a, int b, int c){ int z …
4701年新年快乐！
中华民族传统历法夏历（农历）采用的是干支纪年法，是世界上最古老的历法之一。干支即“六十甲子”，以60年为一循环。它的纪元开始相传可追溯到黄帝轩辕氏时代，按公元计算，第一个“甲子年”应是在公元前2697年…
Win10系列：JavaScript访问文件和文件夹
在实际开发中经常会遇到访问文件的情况，因此学习与文件有关的操作对程序开发很有帮助，关于文件操作的一些基本技术，在前面章节中有专门基于C#语言的详细讲解，本节主要介绍如何使用HTML5和JavaScript开发具有文件操作功能的Windows…
算法基础知识科普：8大搜索算法之二分搜索
昨天介绍了对无序搜素表的顺序搜索方法，今天介绍对有序搜索表的二分搜索方法，“二分”在算法设计中是非常常用的一种思想，除了处理如下普通的搜索外，还用于搜索方程的解等工程领域。但二分法仍然有缺陷，待后面慢慢介绍…
linux之shell脚本学习篇一
为什么80%的码农都做不了架构师？>>> 此文包含脚本服务请求，字符串截取，文件读写内容，打印内容换行。 #!/bin/bash retMsg""; while read LINE do echo "this is text: $LINE"; retMsg/usr/bin/cu…
Win10系列：JavaScript动画2
"重新定位"动画也是Windows动画库中的动画效果。"重新定位"动画的动画效果是指一个或一组元素移动到新的位置时，这些元素不是突然出现在新的位置，而是从一个位置移动到另一个位置。 创建"重新定位"动画可以使用WinJS.UI.A…
[转载]李开复先生给中国学生的第四封信：大学四年应是这样度过
今天，我回复了“开复学生网”开通以来的第1000个问题。关掉电脑后，始终有一封学生来信萦绕在我的脑海里，挥之不去： 开复老师： 就要毕业了。 回头看自己所谓的大学生活， 我想哭，不是因为离别&…
算法基础知识科普：8大搜索算法之插补搜索
二分法的不足在于，对于均匀分布的数据，缩小搜索范围的速度太慢，每次只能缩小原长度的1/2，我们希望缩小范围尽可能的快，即搜索的数据若离左端点近，搜索的区间尽量的靠近左端点，同理搜索的数据若离…
hdu(1596)
为什么80%的码农都做不了架构师？>>> dijkstra 1 #include " iostream " 2 using namespace std; 3 double map[ 1010 ][ 1010 ]; 4 int visit[ 1010 ]; 5 double used[ 1010 ]; 6 int k; 7 double _max 0 ; 8 int i…
使用ADO.NET 的最佳实践(zz)
数据访问：使用 ADO.NET 的最佳实践（ADO.NET 技术文档） 发布日期： 4/1/2004| 更新日期： 4/1/2004 摘要：编写 Microsoft ADO.NET 代码的最佳实践，以及对使用 ADO.NET 中可用对象的开发人员的建议。…
算法基础知识科普：8大搜索算法之二叉搜索树（上）
前几天，我们介绍了在顺序存储结构上构建的搜索算法，如二分搜素，插补搜索等，这种结构适合于静态搜索，但对于动态搜索会涉及到大量记录的移动导致效率的降低。这样我们自然会想是否能够利用链式的存储结构，这…
如何查看 oracle 官方文档
Concept 包含了 oracle 数据库里面的一些基本概念和原理, 比如 数据库逻辑结构, 物理结构, 实例结构, 优化器, 事务等. PDF 460页 Reference 包含了动态性能视图, 数据字典, 初始化参数等, 如果有参数不知道意思, 或者 v$视图字段信息模糊, 都可以从这里找到描述, 使用 html版的…
php开发面试题---攻击网站的常用手段有哪些，及如何预防（整理）
php开发面试题---攻击网站的常用手段有哪些，及如何预防（整理） 一、总结 一句话总结： 比较记忆：注意比较各种攻击的区别，比如csrf和xss，以及xss和sql，这样才能记住 1、Sql注入是什么&…
利用Event和MapFile进程共享信息
工作过程: 进程一, 建立映射文件,填写数据,并发出Event的信号; 进程二,打开映射文件,收到Event的信号时读取数据. #include <windows.h>#include <string.h>#include <iostream>usingnamespacestd; #defineFILE_SIZE 1024staticHANDLE hMapFile; staticLPVOI…
算法基础知识科普：8大搜索算法之二叉搜索树（中）
昨天图文介绍了二叉搜索树的基本概念，本篇图文介绍二叉搜索树的具体实现。既然二叉搜索树是二叉树的特殊应用，所以我们首先封装二叉树的结点，即数据-左子树-右子树，然后实现ISymbolTalbe接口中的方法，我们知道二叉搜索…
PropertiesFactoryBean PropertyPlaceholderConfigurer 区别
为什么80%的码农都做不了架构师？>>> 1.PropertiesFactoryBean is a FactoryBean implementation which reads a properties file and exposes that as an Properties object in the applicationcontext. 加载配置文件后，可以在代码中通过注…
MySQL索引背后的数据结构及算法原理【转】
http://blog.codinglabs.org/articles/theory-of-mysql-index.htmlMySQL索引背后的数据结构及算法原理【转】摘要本文以MySQL数据库为研究对象，讨论与数据库索引相关的一些话题。特别需要说明的是，MySQL支持诸多存储引擎，而各种存储引擎对索引…
各种播放器代码
各种播放器代码1.avi格式代码片断如下：<object id"video"width"400"height"200"border"0"classid"clsid:CFCDAA03-8BE4-11cf-B84B-0020AFBBCCFA"><param name"ShowDisplay"value"0"…
算法基础知识科普：8大搜索算法之二叉搜索树（下）
由于微信发代码以及数学符号很吃力，所以我们做知识科普只能利用图片来做，本算法代码较多，所以分为三个部分来介绍。本篇把剩余的部分补齐。当然二叉搜索树也有自己的缺陷，即构造的二叉树跟数据的初始状态以及删除的方法有很大的关…
SpringMvc4中获取request、response对象的方法
springMVC4中获取request和response对象有以下两种简单易用的方法： 1、在control层获取 在control层中获取HttpServletRequest和HttpServletResponse对象有以下两种简单方式： 1）通过方法参数直接在action类中获取 Controller class Action{ R…
JAVA增删改查XML文件
2019独角兽企业重金招聘Python工程师标准>>> 最近总是需要进行xml的相关操作。 不免的要进行xml的读取修改等，于是上网搜索，加上自己的小改动，整合了下xml的常用操作。 读取XML配置文件 首先我们需要通过DocumentBuilderFactory获…
测试一下，你能小学毕业吗？
昨天在群里大家讨论了上面那道小学六年级的五星题，不知道有没有同学能够不用三角函数，不用积分做出来的？先别往后看，测试一下吧！看看是不是要跟小编一起重新背起小书包返回小学，重新学习了。 现在小学生的…
This is A PostXing Test
Test 一下下 试看看~~~ ABC试一下代码...1 public class PostApplicationExitActivationProcess2 {3 /// <summary>4 /// The main entry point for the application.5 /// </summary>6 [STAThread]7 static void Main( string[] args) 8 {9 if (…
缓存穿透、并发和失效的解决方案
我们在用缓存的时候，不管是Redis或者Memcached，基本上会通用遇到以下三个问题： 缓存穿透 缓存并发 缓存失效 缓存穿透 注：上面三个图会有什么问题呢？ 我们在项目中使用缓存通常都是先检查缓存中是否存在，…