Question

我在celebA数据集上训练了GAN。之后我将G和D分开。然后我从celebA训练数据集中选择一个图像说yTrue，现在我想找到最接近yTrue的图像，G可以生成yPred。所以G输出的损失是|| yTrue - yPred || _2 ^ {2}并且我最小化它w.r.t生成器输入（来自正态分布的潜变量）。下面是给出好结果的代码。现在的问题是我想在第一行添加先前的丢失（log（1-D（G（z）））1，但我没有得到如何做，因为D现在没有连接到G如果我直接在第一行添加k.mean（k.log（1-D.predict（G.output））），则返回numpy数组而不是不允许的张量。

    `loss = K.mean(K.square(yTrue - gf.output))
     grad = K.gradients(loss,[gf.input])[0]
     fn = K.function([gf.input], [grad])
     generator_input = np.random.normal(0,1,[1,100])
     for i in range(5000):
         grad1 = fn([generator_input])
         generator_input -= grads[0]*.01
     recovered = gf.predict(generator_input)`

Answer 1

在keras中，您将获得最终输出以创建损失函数。然后，您将必须训练整个网络以实现该损失。（训练G + D作为单一模型加入）。

在损失功能中，您将拥有y_true和y_pred，并使用它们进行比较：

PS：如果MSE未获取鉴别器的输出，请更好地详细说明您的questoin。

import keras.backend as K

def customLoss(yTrue,yPred):

    mse = K.mean(K.square(yTrue-yPred)
    prior = K.mean(K.log(1-yPred))
    return mse + prior

编译模型时传递此功能

discriminator.compile(loss=customLoss,optimizer=.....)

如何实现纸张的损失功能＆＃39;语义图像修复与深度生成模型＆＃39;在keras

1 个答案: