苏州教育网站建设,织梦网站tag自定义插件,如何做网站浏览pdf,大连招投标信息网1 WGAN-div 简介
W散度的损失函数GAN-dv模型使用了W散度来替换W距离的计算方式#xff0c;将原有的真假样本采样操作换为基于分布层面的计算。
2 代码实现
在WGAN-gp的基础上稍加改动来实现#xff0c;重写损失函数的实现。
2.1 代码实战#xff1a;引入模块并载入样本-…
1 WGAN-div 简介
W散度的损失函数GAN-dv模型使用了W散度来替换W距离的计算方式将原有的真假样本采样操作换为基于分布层面的计算。
2 代码实现
在WGAN-gp的基础上稍加改动来实现重写损失函数的实现。
2.1 代码实战引入模块并载入样本----WGAN_div_241.py第1部分
import torch
import torchvision
from torchvision import transforms
from torch.utils.data import DataLoader
from torch import nn
import torch.autograd as autograd
import matplotlib.pyplot as plt
import numpy as np
import matplotlib
import os
os.environ[KMP_DUPLICATE_LIB_OK]TRUE# 1.1 引入模块并载入样本:定义基本函数加载FashionMNIST数据集
def to_img(x):x 0.5 * (x1)x x.clamp(0,1)x x.view(x.size(0),1,28,28)return xdef imshow(img,filename None):npimg img.numpy()plt.axis(off)array np.transpose(npimg,(1,2,0))if filename ! None:matplotlib.image.imsave(filename,array)else:plt.imshow(array)# plt.savefig(filename) # 保存图片 注释掉因为会报错暂时不知道什么原因 2022.3.26 15:20plt.show()img_transform transforms.Compose([transforms.ToTensor(),transforms.Normalize(mean[0.5],std[0.5])]
)data_dir ./fashion_mnisttrain_dataset torchvision.datasets.FashionMNIST(data_dir,trainTrue,transformimg_transform,downloadTrue)
train_loader DataLoader(train_dataset,batch_size1024,shuffleTrue)
# 测试数据集
val_dataset torchvision.datasets.FashionMNIST(data_dir,trainFalse,transformimg_transform)
test_loader DataLoader(val_dataset,batch_size10,shuffleFalse)
# 指定设备
device torch.device(cuda:0 if torch.cuda.is_available() else cpu)
print(device)
2.2 代码实战实现生成器和判别器----WGAN_div_241.py第2部分
# 1.2 实现生成器和判别器 因为复杂部分都放在loss值的计算方面了所以生成器和判别器就会简单一些。
# 生成器和判别器各自有两个卷积和两个全连接层。生成器最终输出与输入图片相同维度的数据作为模拟样本。
# 判别器的输出不需要有激活函数并且输出维度为1的数值用来表示结果。
# 在GAN模型中因判别器的输入则是具体的样本数据要区分每个数据的分布特征所以判别器使用实例归一化
class WGAN_D(nn.Module): # 定义判别器类D 有两个卷积和两个全连接层def __init__(self,inputch1):super(WGAN_D, self).__init__()self.conv1 nn.Sequential(nn.Conv2d(inputch,64,4,2,1), # 输出形状为[batch,64,28,28]nn.LeakyReLU(0.2,True),nn.InstanceNorm2d(64,affineTrue))self.conv2 nn.Sequential(nn.Conv2d(64,128,4,2,1),# 输出形状为[batch,64,14,14]nn.LeakyReLU(0.2,True),nn.InstanceNorm2d(128,affineTrue))self.fc nn.Sequential(nn.Linear(128*7*7,1024),nn.LeakyReLU(0.2,True))self.fc2 nn.Sequential(nn.InstanceNorm1d(1,affineTrue),nn.Flatten(),nn.Linear(1024,1))def forward(self,x,*arg): # 正向传播x self.conv1(x)x self.conv2(x)x x.view(x.size(0),-1)x self.fc(x)x x.reshape(x.size(0),1,-1)x self.fc2(x)return x.view(-1,1).squeeze(1)# 在GAN模型中因生成器的初始输入是随机值所以生成器使用批量归一化。
class WGAN_G(nn.Module): # 定义生成器类G有两个卷积和两个全连接层def __init__(self,input_size,input_n1):super(WGAN_G, self).__init__()self.fc1 nn.Sequential(nn.Linear(input_size * input_n,1024),nn.ReLU(True),nn.BatchNorm1d(1024))self.fc2 nn.Sequential(nn.Linear(1024,7*7*128),nn.ReLU(True),nn.BatchNorm1d(7*7*128))self.upsample1 nn.Sequential(nn.ConvTranspose2d(128,64,4,2,padding1,biasFalse), # 输出形状为[batch,64,14,14]nn.ReLU(True),nn.BatchNorm2d(64))self.upsample2 nn.Sequential(nn.ConvTranspose2d(64,1,4,2,padding1,biasFalse), # 输出形状为[batch,64,28,28]nn.Tanh())def forward(self,x,*arg): # 正向传播x self.fc1(x)x self.fc2(x)x x.view(x.size(0),128,7,7)x self.upsample1(x)img self.upsample2(x)return img
2.3 代码实战计算w散度(WGAN-gp基础新增)----WGAN_div_241.py第3部分
# 1.3 计算w散度返回值充当WGAN-gp中的惩罚项用于计算判别器的损失
def compute_w_div(real_samples,real_out,fake_samples,fake_out):# 定义参数k 2p 6# 计算真实空间的梯度weight torch.full((real_samples.size(0),),1,devicedevice)real_grad autograd.grad(outputsreal_out,inputsreal_samples,grad_outputsweight,create_graphTrue,retain_graphTrue,only_inputsTrue)[0]# L2范数real_grad_norm real_grad.view(real_grad.size(0),-1).pow(2).sum(1)# 计算模拟空间的梯度fake_grad autograd.grad(outputsfake_out,inputsfake_samples,grad_outputsweight,create_graphTrue,retain_graphTrue,only_inputsTrue)[0]# L2范数fake_grad_norm fake_grad.view(fake_grad.size(0),-1).pow(2).sum(1)# 计算W散度距离div_gp torch.mean(real_grad_norm **(p/2)fake_grad_norm**(p/2))*k/2return div_gp
2.4 代码实战定义模型的训练函数(WGAN-gp基础修改)----WGAN_div_241.py第4部分
## 1.4 定义模型的训练函数
# 定义函数train()实现模型的训练过程。
# 在函数train()中按照对抗神经网络专题一中的式8-24实现模型的损失函数。
# 判别器的loss为D(fake_samples)-D(real_samples)再加上联合分布样本的梯度惩罚项gradient_penalties其中fake_samples为生成的模拟数据real_Samples为真实数据
# 生成器的loss为-D(fake_samples)。
def train(D,G,outdir,z_dimension,num_epochs30):d_optimizer torch.optim.Adam(D.parameters(),lr0.001) # 定义优化器g_optimizer torch.optim.Adam(G.parameters(),lr0.001)os.makedirs(outdir,exist_okTrue) # 创建输出文件夹# 在函数train()中判别器和生成器是分开训练的。让判别器学习的次数多一些判别器每训练5次生成器优化1次。# WGAN_gp不会因为判别器准确率太高而引起生成器梯度消失的问题所以好的判别器会让生成器有更好的模拟效果。for epoch in range(num_epochs):for i,(img,lab) in enumerate(train_loader):num_img img.size(0)# 训练判别器real_img img.to(device)y_one_hot torch.zeros(lab.shape[0],10).scatter_(1,lab.view(lab.shape[0],1),1).to(device)for ii in range(5): # 循环训练5次d_optimizer.zero_grad() # 梯度清零real_img real_img.requires_grad_(True) # 在WGAN-gp基础上新增将输入参数real_img设置为可导# 对real_img进行判别real_out D(real_img, y_one_hot)# 生成随机值z torch.randn(num_img, z_dimension).to(device)fake_img G(z, y_one_hot) # 生成fake_imgfake_out D(fake_img, y_one_hot) # 对fake_img进行判别# 计算梯度惩罚项gradient_penalty_div compute_w_div(real_img, real_out, fake_img, fake_out) # 使用gradient_penalty_div()求梯度# 计算判别器的lossd_loss -torch.mean(real_out) torch.mean(fake_out) gradient_penalty_divd_loss.backward()d_optimizer.step()# 训练生成器for ii in range(1):g_optimizer.zero_grad() # 梯度清0z torch.randn(num_img, z_dimension).to(device)fake_img G(z, y_one_hot)fake_out D(fake_img, y_one_hot)g_loss -torch.mean(fake_out)g_loss.backward()g_optimizer.step()# 输出可视化结果fake_images to_img(fake_img.cpu().data)real_images to_img(real_img.cpu().data)rel torch.cat([to_img(real_images[:10]), fake_images[:10]], axis0)imshow(torchvision.utils.make_grid(rel, nrow10), os.path.join(outdir, fake_images-{}.png.format(epoch 1)))# 输出训练结果print(Epoch [{}/{}], d_loss: {:.6f}, g_loss: {:.6f} D real: {:.6f}, D fake: {:.6f}.format(epoch, num_epochs,d_loss.data,g_loss.data,real_out.data.mean(),fake_out.data.mean()))# 保存训练模型torch.save(G.state_dict(), os.path.join(outdir, div-generator.pth))torch.save(D.state_dict(), os.path.join(outdir, div-discriminator.pth))
2.5 代码实战实现可视化模型结果----WGAN_div_241.py第5部分
# 1.5 定义函数实现可视化模型结果获取一部分测试数据显示由模型生成的模拟数据。
def displayAndTest(D,G,z_dimension): # 可视化结果sample iter(test_loader)images, labels sample.next()y_one_hot torch.zeros(labels.shape[0], 10).scatter_(1,labels.view(labels.shape[0], 1), 1).to(device)num_img images.size(0) # 获取样本个数with torch.no_grad():z torch.randn(num_img, z_dimension).to(device) # 生成随机数fake_img G(z, y_one_hot)fake_images to_img(fake_img.cpu().data) # 生成模拟样本rel torch.cat([to_img(images[:10]), fake_images[:10]], axis0)imshow(torchvision.utils.make_grid(rel, nrow10))print(labels[:10])
2.6 代码实战调用函数并训练模型----WGAN_div_241.py第6部分
# 1.6 调用函数并训练模型实例化判别器和生成器模型并调用函数进行训练
if __name__ __main__:z_dimension 40 # 设置输入随机数的维度D WGAN_D().to(device) # 实例化判别器G WGAN_G(z_dimension).to(device) # 实例化生成器train(D, G, ./w_img, z_dimension) # 训练模型displayAndTest(D, G, z_dimension) # 输出可视化
结果
WGAN-dⅳ模型也会输出非常清晰的模拟样本。在有关WGAN-div的论文中曾拿WGAN-div模型与WGAN-gp模型进行比较发现WGAN-diⅳ模型的FID分数更高一些FID是评价GAN生成图片质量的一种指标)。 3 代码总览WGAN_div_241.py
import torch
import torchvision
from torchvision import transforms
from torch.utils.data import DataLoader
from torch import nn
import torch.autograd as autograd
import matplotlib.pyplot as plt
import numpy as np
import matplotlib
import os
os.environ[KMP_DUPLICATE_LIB_OK]TRUE# 1.1 引入模块并载入样本:定义基本函数加载FashionMNIST数据集
def to_img(x):x 0.5 * (x1)x x.clamp(0,1)x x.view(x.size(0),1,28,28)return xdef imshow(img,filename None):npimg img.numpy()plt.axis(off)array np.transpose(npimg,(1,2,0))if filename ! None:matplotlib.image.imsave(filename,array)else:plt.imshow(array)# plt.savefig(filename) # 保存图片 注释掉因为会报错暂时不知道什么原因 2022.3.26 15:20plt.show()img_transform transforms.Compose([transforms.ToTensor(),transforms.Normalize(mean[0.5],std[0.5])]
)data_dir ./fashion_mnisttrain_dataset torchvision.datasets.FashionMNIST(data_dir,trainTrue,transformimg_transform,downloadTrue)
train_loader DataLoader(train_dataset,batch_size1024,shuffleTrue)
# 测试数据集
val_dataset torchvision.datasets.FashionMNIST(data_dir,trainFalse,transformimg_transform)
test_loader DataLoader(val_dataset,batch_size10,shuffleFalse)
# 指定设备
device torch.device(cuda:0 if torch.cuda.is_available() else cpu)
print(device)# 1.2 实现生成器和判别器 因为复杂部分都放在loss值的计算方面了所以生成器和判别器就会简单一些。
# 生成器和判别器各自有两个卷积和两个全连接层。生成器最终输出与输入图片相同维度的数据作为模拟样本。
# 判别器的输出不需要有激活函数并且输出维度为1的数值用来表示结果。
# 在GAN模型中因判别器的输入则是具体的样本数据要区分每个数据的分布特征所以判别器使用实例归一化
class WGAN_D(nn.Module): # 定义判别器类D 有两个卷积和两个全连接层def __init__(self,inputch1):super(WGAN_D, self).__init__()self.conv1 nn.Sequential(nn.Conv2d(inputch,64,4,2,1), # 输出形状为[batch,64,28,28]nn.LeakyReLU(0.2,True),nn.InstanceNorm2d(64,affineTrue))self.conv2 nn.Sequential(nn.Conv2d(64,128,4,2,1),# 输出形状为[batch,64,14,14]nn.LeakyReLU(0.2,True),nn.InstanceNorm2d(128,affineTrue))self.fc nn.Sequential(nn.Linear(128*7*7,1024),nn.LeakyReLU(0.2,True))self.fc2 nn.Sequential(nn.InstanceNorm1d(1,affineTrue),nn.Flatten(),nn.Linear(1024,1))def forward(self,x,*arg): # 正向传播x self.conv1(x)x self.conv2(x)x x.view(x.size(0),-1)x self.fc(x)x x.reshape(x.size(0),1,-1)x self.fc2(x)return x.view(-1,1).squeeze(1)# 在GAN模型中因生成器的初始输入是随机值所以生成器使用批量归一化。
class WGAN_G(nn.Module): # 定义生成器类G有两个卷积和两个全连接层def __init__(self,input_size,input_n1):super(WGAN_G, self).__init__()self.fc1 nn.Sequential(nn.Linear(input_size * input_n,1024),nn.ReLU(True),nn.BatchNorm1d(1024))self.fc2 nn.Sequential(nn.Linear(1024,7*7*128),nn.ReLU(True),nn.BatchNorm1d(7*7*128))self.upsample1 nn.Sequential(nn.ConvTranspose2d(128,64,4,2,padding1,biasFalse), # 输出形状为[batch,64,14,14]nn.ReLU(True),nn.BatchNorm2d(64))self.upsample2 nn.Sequential(nn.ConvTranspose2d(64,1,4,2,padding1,biasFalse), # 输出形状为[batch,64,28,28]nn.Tanh())def forward(self,x,*arg): # 正向传播x self.fc1(x)x self.fc2(x)x x.view(x.size(0),128,7,7)x self.upsample1(x)img self.upsample2(x)return img# 1.3 计算w散度返回值充当WGAN-gp中的惩罚项用于计算判别器的损失
def compute_w_div(real_samples,real_out,fake_samples,fake_out):# 定义参数k 2p 6# 计算真实空间的梯度weight torch.full((real_samples.size(0),),1,devicedevice)real_grad autograd.grad(outputsreal_out,inputsreal_samples,grad_outputsweight,create_graphTrue,retain_graphTrue,only_inputsTrue)[0]# L2范数real_grad_norm real_grad.view(real_grad.size(0),-1).pow(2).sum(1)# 计算模拟空间的梯度fake_grad autograd.grad(outputsfake_out,inputsfake_samples,grad_outputsweight,create_graphTrue,retain_graphTrue,only_inputsTrue)[0]# L2范数fake_grad_norm fake_grad.view(fake_grad.size(0),-1).pow(2).sum(1)# 计算W散度距离div_gp torch.mean(real_grad_norm **(p/2)fake_grad_norm**(p/2))*k/2return div_gp## 1.4 定义模型的训练函数
# 定义函数train()实现模型的训练过程。
# 在函数train()中按照对抗神经网络专题一中的式8-24实现模型的损失函数。
# 判别器的loss为D(fake_samples)-D(real_samples)再加上联合分布样本的梯度惩罚项gradient_penalties其中fake_samples为生成的模拟数据real_Samples为真实数据
# 生成器的loss为-D(fake_samples)。
def train(D,G,outdir,z_dimension,num_epochs30):d_optimizer torch.optim.Adam(D.parameters(),lr0.001) # 定义优化器g_optimizer torch.optim.Adam(G.parameters(),lr0.001)os.makedirs(outdir,exist_okTrue) # 创建输出文件夹# 在函数train()中判别器和生成器是分开训练的。让判别器学习的次数多一些判别器每训练5次生成器优化1次。# WGAN_gp不会因为判别器准确率太高而引起生成器梯度消失的问题所以好的判别器会让生成器有更好的模拟效果。for epoch in range(num_epochs):for i,(img,lab) in enumerate(train_loader):num_img img.size(0)# 训练判别器real_img img.to(device)y_one_hot torch.zeros(lab.shape[0],10).scatter_(1,lab.view(lab.shape[0],1),1).to(device)for ii in range(5): # 循环训练5次d_optimizer.zero_grad() # 梯度清零real_img real_img.requires_grad_(True) # 在WGAN-gp基础上新增将输入参数real_img设置为可导# 对real_img进行判别real_out D(real_img, y_one_hot)# 生成随机值z torch.randn(num_img, z_dimension).to(device)fake_img G(z, y_one_hot) # 生成fake_imgfake_out D(fake_img, y_one_hot) # 对fake_img进行判别# 计算梯度惩罚项gradient_penalty_div compute_w_div(real_img, real_out, fake_img, fake_out) # 求梯度# 计算判别器的lossd_loss -torch.mean(real_out) torch.mean(fake_out) gradient_penalty_divd_loss.backward()d_optimizer.step()# 训练生成器for ii in range(1):g_optimizer.zero_grad() # 梯度清0z torch.randn(num_img, z_dimension).to(device)fake_img G(z, y_one_hot)fake_out D(fake_img, y_one_hot)g_loss -torch.mean(fake_out)g_loss.backward()g_optimizer.step()# 输出可视化结果fake_images to_img(fake_img.cpu().data)real_images to_img(real_img.cpu().data)rel torch.cat([to_img(real_images[:10]), fake_images[:10]], axis0)imshow(torchvision.utils.make_grid(rel, nrow10), os.path.join(outdir, fake_images-{}.png.format(epoch 1)))# 输出训练结果print(Epoch [{}/{}], d_loss: {:.6f}, g_loss: {:.6f} D real: {:.6f}, D fake: {:.6f}.format(epoch, num_epochs,d_loss.data,g_loss.data,real_out.data.mean(),fake_out.data.mean()))# 保存训练模型torch.save(G.state_dict(), os.path.join(outdir, div-generator.pth))torch.save(D.state_dict(), os.path.join(outdir, div-discriminator.pth))# 1.5 定义函数实现可视化模型结果获取一部分测试数据显示由模型生成的模拟数据。
def displayAndTest(D,G,z_dimension): # 可视化结果sample iter(test_loader)images, labels sample.next()y_one_hot torch.zeros(labels.shape[0], 10).scatter_(1,labels.view(labels.shape[0], 1), 1).to(device)num_img images.size(0) # 获取样本个数with torch.no_grad():z torch.randn(num_img, z_dimension).to(device) # 生成随机数fake_img G(z, y_one_hot)fake_images to_img(fake_img.cpu().data) # 生成模拟样本rel torch.cat([to_img(images[:10]), fake_images[:10]], axis0)imshow(torchvision.utils.make_grid(rel, nrow10))print(labels[:10])# 1.6 调用函数并训练模型实例化判别器和生成器模型并调用函数进行训练
if __name__ __main__:z_dimension 40 # 设置输入随机数的维度D WGAN_D().to(device) # 实例化判别器G WGAN_G(z_dimension).to(device) # 实例化生成器train(D, G, ./w_img, z_dimension) # 训练模型displayAndTest(D, G, z_dimension) # 输出可视化
