在生成對抗網路中，生成器和判別器同時進行訓練。 如果訓練不當，兩個網路可能會相互壓倒。 如果鑑別器經過的訓練超過它能夠輕鬆檢測假影象和真實影象，則生成器將無法生成真實影象。 如果生成器經過大量訓練，鑑別器將無法區分真假影象。 我們可以通過正確設定兩個網路的學習習率來解決這個問題。
當我們訓練乙個判別器時，我們不訓練生成器，當我們訓練生成器時，我們不訓練判別器。 這樣可以正確訓練生成器。 現在，讓我們看一下氮化鎵網路的每個部分。
鑑別器網路：
我們使用影象形狀為 （28， 28， 1） 的 MNIST 數字資料集。 由於影象尺寸較小，我們可以使用 MLP 網路作為判別器，而不是使用卷積層。 為此，我們首先需要將輸入重塑為大小為 （784， 1） 的單個向量。 然後，我在每層中應用了三個密集層和 128 個隱藏單元。
發電機網路：
為了建立生成器網路，我們首先將隨機雜訊作為形狀 （100， 1） 的輸入。 然後我使用了三個隱藏的形狀層和 1024。 然後，發電機網路的輸出被重塑為 （28， 28， 1）。 我對每個隱藏層都有批量歸一化。 批量歸一化可以提高訓練模型的質量，穩定訓練過程。
組合型號：
為了訓練生成器，我們需要建立乙個復合模型，其中不訓練判別器模型。 在組合模型中，隨機雜訊作為生成器網路的輸入，然後輸出影象通過判別器網路獲得標籤。 在這裡，我將判別器模型標記為不可訓練。
訓練氮化鎵網路：
訓練 GaN 網路需要仔細調整超引數。 如果不仔細訓練模型，它將無法收斂以產生良好的結果。 我們將使用以下步驟來訓練這個 GaN 網路：
首先，我們將對輸入資料集（MNIST 影象）進行歸一化。
使用真實世界的影象（來自 MNIST 資料集）訓練鑑別器。
對相同數量的雜訊向量進行取樣，以產生生成器網路的輸出（此處未對生成器進行訓練）。
使用上一步中生成的影象訓練判別器網路。
取乙個新的隨機樣本，在不訓練判別器的情況下，使用組合模型訓練構建器。
重複步驟 2-5 進行一定次數的迭代。 我已經訓練了它 30000 次迭代。
檢視此 GaN 網路生成的影象。
AI助手創作季