Question

我在Keras实施了一个生殖对抗网络。我的训练数据大小约为16,000，每张图像的大小为32 * 32。我的所有训练图像都是来自imagenet数据集的关于对象检测任务的图像的调整大小版本。我将图像矩阵直接送入网络而不进行中心裁剪。我使用AdamOptimizer，学习率为1e-4，beta1为0.5，我也将辍学率设置为0.1。我首先在3000个真实图像和3000个假图像上训练了该描述符，并且它达到了93％的准确率。然后，我训练了500个时期，批量大小为32.然而，我的模型似乎仅在几个时期（<10）收敛，并且它生成的图像是丑陋的。

Plot of the Loss Function

Random Samples Generated by the Generator

我想知道我的训练数据集是否太小（与DCGAN的论文相比，超过300,000）或我的模型配置不正确。更重要的是，我是否应该在D上训练SGD进行k次迭代（其中k很小，可能是1），然后按照Ian Goodfellow在原始论文中的建议，在G上进行一次迭代训练？（我刚才试图一次训练一次）

以下是发电机的配置。

g_input = Input(shape=[100])
H = Dense(1024*4*4, init='glorot_normal')(g_input)
H = BatchNormalization(mode=2)(H)
H = Activation('relu')(H)
H = Reshape( [4, 4,1024] )(H)
H = UpSampling2D(size=( 2, 2))(H)
H = Convolution2D(512, 3, 3, border_mode='same', init='glorot_uniform')(H)
H = BatchNormalization(mode=2)(H)
H = Activation('relu')(H)
H = UpSampling2D(size=( 2, 2))(H)
H = Convolution2D(256, 3, 3, border_mode='same', init='glorot_uniform')(H)
H = BatchNormalization(mode=2)(H)
H = Activation('relu')(H)
H = UpSampling2D(size=( 2, 2))(H)
H = Convolution2D(3, 3, 3, border_mode='same', init='glorot_uniform')(H)
g_V = Activation('tanh')(H)
generator = Model(g_input,g_V)
generator.compile(loss='binary_crossentropy', optimizer=opt)
generator.summary()

以下是鉴别器的配置：

d_input = Input(shape=shp)
H = Convolution2D(64, 5, 5, subsample=(2, 2), border_mode = 'same', init='glorot_normal')(d_input)
H = LeakyReLU(0.2)(H)
#H = Dropout(dropout_rate)(H)
H = Convolution2D(128, 5, 5, subsample=(2, 2), border_mode = 'same', init='glorot_normal')(H)
H = BatchNormalization(mode=2)(H)
H = LeakyReLU(0.2)(H)
#H = Dropout(dropout_rate)(H)
H = Flatten()(H)
H = Dense(256, init='glorot_normal')(H)
H = LeakyReLU(0.2)(H)
d_V = Dense(2,activation='softmax')(H)
discriminator = Model(d_input,d_V)
discriminator.compile(loss='categorical_crossentropy', optimizer=dopt)
discriminator.summary()

以下是整个GAN的配置：

gan_input = Input(shape=[100])
H = generator(gan_input)
gan_V = discriminator(H)
GAN = Model(gan_input, gan_V)
GAN.compile(loss='categorical_crossentropy', optimizer=opt)
GAN.summary()

Answer 1

我怀疑你训练gan时你的发电机是可训练的。您可以使用generator.layers[-1].get_weights()进行验证，以了解gan的培训过程中参数是否发生了变化。

你应该在将鉴别器组装到gan之前冻结鉴别器：

generator.trainnable = False
gan_input = Input(shape=[100])
H = generator(gan_input)
gan_V = discriminator(H)
GAN = Model(gan_input, gan_V)
GAN.compile(loss='categorical_crossentropy', optimizer=opt)
GAN.summary()

看到这个讨论： https://github.com/fchollet/keras/issues/4674

GAN融合了几个时代

1 个答案: