又是時隔多日不更新了，總覺得寫了沒人看，看了沒人點贊，同時也覺得自己寫的有點太簡單了，可能大家都懂，所以，這是就不跟新的理由，那為什么又更新了呢，咱也不知道，可能是因為無聊了吧，人一無聊就渾身難受，還是把腦袋用起來比較好，不然后會有愧疚感，

好了好了，話不多說，開整，

GAN的全稱為Generative Adversarial Networks，所以我們其實可以很容易的從字面上去理解：

1.Generative是生成的意思，所以我們可以把它理解為一個圖片生成器

2.Adversarial是對抗的，那么要存在對抗，說明還有一個網路，這個網路就是判別網路

3.Networks這個詞也可以看的出來，確實有不止一個網路結構，

GAN的發展程序中又誕生了，CGAN,DCGAN,PIX2PIX,cycleGAN,StyleGAN,BigGAN等等等一系列GAN,本篇博客，我們著重講一講GAN，CGAN,以及PIX2PIX吧

1.GAN

1.1GAN的模型結構

可以看到，分成了兩個部分：生成器和判別器

光這么看呢，可能大家也不太明白，這到底咋GAN啊？

我們來梳理一下：

生成器的輸入是一個N*100的隨機噪聲（其中N是batch），然后通過全連接層，將N*100隨機噪聲變成了一個N*784的資料，你可能要問了，100哪里來的，784哪里來的？先說100，這個100是拍腦袋拍的，因為是隨機噪聲，所以你寫50，80，100其實都沒問題；再說784，其實是因為這個網路我們準備在mnist資料集上來演示，因為mnist資料集的圖片大小是28*28*1的影像，所以我們784其實就是等于28*28

判別器也是一個全連接網路，把一個N*784全連接到N*1

1.2演算法的邏輯

1.隨機的噪聲通過生成器，生成一個N*784的資料，判別器去判定這個N*784的資料，讓最后的N*1的資料的數值去接近1（也就是期望生成器生成的資料能夠騙過判別器，讓判別器以為這是一個真的資料），以此來優化生成器，讓優化器可以騙過生成器

2.同時給定判別器一個真實的資料（我們下面給出的例子是mnist資料集，所以是一個N*28*28的資料，我們會把它reshape成N*784的資料），此時我們還是希望判別器給出的結果接近于1，同時也希望此時判別器判定剛剛生成的資料的值接近于0，此時在優化判別器，讓判別器別輕易被生成器篇了，

3.至此，生成器和判別器就開始對抗起來了，借用張作霖的一句話，江湖不是爾虞我詐，江湖是人情世故！！！！

1.3演算法代碼實作

import argparse
import os
import numpy as np
import math

import torchvision.transforms as transforms
from torchvision.utils import save_image

from torch.utils.data import DataLoader
from torchvision import datasets
from torch.autograd import Variable

import torch.nn as nn
import torch.nn.functional as F
import torch

os.makedirs("images", exist_ok=True)

parser = argparse.ArgumentParser()
parser.add_argument("--n_epochs", type=int, default=200, help="number of epochs of training")
parser.add_argument("--batch_size", type=int, default=256, help="size of the batches")
parser.add_argument("--lr", type=float, default=0.0002, help="adam: learning rate")
parser.add_argument("--b1", type=float, default=0.5, help="adam: decay of first order momentum of gradient")
parser.add_argument("--b2", type=float, default=0.999, help="adam: decay of first order momentum of gradient")
parser.add_argument("--n_cpu", type=int, default=8, help="number of cpu threads to use during batch generation")
parser.add_argument("--latent_dim", type=int, default=100, help="dimensionality of the latent space")
parser.add_argument("--img_size", type=int, default=28, help="size of each image dimension")
parser.add_argument("--channels", type=int, default=1, help="number of image channels")
parser.add_argument("--sample_interval", type=int, default=400, help="interval betwen image samples")
opt = parser.parse_args()
print(opt)

img_shape = (opt.channels, opt.img_size, opt.img_size)

cuda = True if torch.cuda.is_available() else False


class Generator(nn.Module):
    def __init__(self):
        super(Generator, self).__init__()

        def block(in_feat, out_feat, normalize=True):
            layers = [nn.Linear(in_feat, out_feat)]
            if normalize:
                layers.append(nn.BatchNorm1d(out_feat, 0.8))
            layers.append(nn.LeakyReLU(0.2, inplace=True))
            return layers

        self.model = nn.Sequential(
            *block(opt.latent_dim, 128, normalize=False),
            *block(128, 256),
            *block(256, 512),
            *block(512, 1024),
            nn.Linear(1024, int(np.prod(img_shape))),
            nn.Tanh()
        )

    def forward(self, z):
        img = self.model(z)
        img = img.view(img.size(0), *img_shape)
        return img


class Discriminator(nn.Module):
    def __init__(self):
        super(Discriminator, self).__init__()

        self.model = nn.Sequential(
            nn.Linear(int(np.prod(img_shape)), 512),
            nn.LeakyReLU(0.2, inplace=True),
            nn.Linear(512, 256),
            nn.LeakyReLU(0.2, inplace=True),
            nn.Linear(256, 1),
            nn.Sigmoid(),
        )

    def forward(self, img):
        img_flat = img.view(img.size(0), -1)
        validity = self.model(img_flat)

        return validity


# Loss function
adversarial_loss = torch.nn.BCELoss()

# Initialize generator and discriminator
generator = Generator()
discriminator = Discriminator()

if cuda:
    generator.cuda()
    discriminator.cuda()
    adversarial_loss.cuda()

os.makedirs("./data/mnist", exist_ok=True)
# Configure data loader
os.makedirs("./data/mnist", exist_ok=True)
dataloader = torch.utils.data.DataLoader(
    datasets.MNIST(
        "./data/mnist",
        train=True,
        download=True,
        transform=transforms.Compose(
            [transforms.Resize(opt.img_size), transforms.ToTensor(), transforms.Normalize([0.5], [0.5])]
        ),
    ),
    batch_size=opt.batch_size,
    shuffle=True,
)

# Optimizers
optimizer_G = torch.optim.Adam(generator.parameters(), lr=opt.lr, betas=(opt.b1, opt.b2))
optimizer_D = torch.optim.Adam(discriminator.parameters(), lr=opt.lr, betas=(opt.b1, opt.b2))

Tensor = torch.cuda.FloatTensor if cuda else torch.FloatTensor

# ----------
#  Training
# ----------

for epoch in range(opt.n_epochs):
    for i, (imgs, _) in enumerate(dataloader):

        # Adversarial ground truths
        valid = Variable(Tensor(imgs.size(0), 1).fill_(1.0), requires_grad=False)
        fake = Variable(Tensor(imgs.size(0), 1).fill_(0.0), requires_grad=False)

        # Configure input
        real_imgs = Variable(imgs.type(Tensor))

        # -----------------
        #  Train Generator
        # -----------------

        optimizer_G.zero_grad()

        # Sample noise as generator input
        z = Variable(Tensor(np.random.normal(0, 1, (imgs.shape[0], opt.latent_dim))))

        # Generate a batch of images
        gen_imgs = generator(z)

        # Loss measures generator's ability to fool the discriminator
        g_loss = adversarial_loss(discriminator(gen_imgs), valid)

        g_loss.backward()
        optimizer_G.step()

        # ---------------------
        #  Train Discriminator
        # ---------------------

        optimizer_D.zero_grad()

        # Measure discriminator's ability to classify real from generated samples
        real_loss = adversarial_loss(discriminator(real_imgs), valid)
        fake_loss = adversarial_loss(discriminator(gen_imgs.detach()), fake)
        d_loss = (real_loss + fake_loss) / 2

        d_loss.backward()
        optimizer_D.step()

        print(
            "[Epoch %d/%d] [Batch %d/%d] [D loss: %f] [G loss: %f]"
            % (epoch, opt.n_epochs, i, len(dataloader), d_loss.item(), g_loss.item())
        )

        batches_done = epoch * len(dataloader) + i
        if batches_done % opt.sample_interval == 0:
            save_image(gen_imgs.data[:25], "images/%d.png" % batches_done, nrow=5, normalize=True)

            os.makedirs("model", exist_ok=True)
            torch.save(generator, 'model/generator.pkl')
            torch.save(discriminator, 'model/discriminator.pkl')

值得注意的是，提前配置好環境，不會配置環境的，請查看我的第一篇文章，

運行的時候可能會自動下載mnist資料集，可能會比較慢，請耐心，沒耐心的話，請想別的辦法下載，

1.4效果展示

隨便訓練了一下，兄弟們可以試著改變一下啊輸入隨機噪聲的維度，看看效果的變化，

明天我會更新CGAN的代碼，其實后這個代碼也差不多，只不過多了一個C，C是什么呢，我們明天揭曉，雖然你明天也不一定能看到這篇文章，更關鍵的是我明天也不一定會更新，哈哈哈

至此，敬禮，salute！！！！

老規矩，上咩咩圖