百家號04-16
19:45
前面的文章介紹了gan的原理，但是可以看到gan有乙個很有意思的結果，就是gan可以生成，但是他是在指定學習的一堆原始基礎上，隨機生成的。那麼如何才能夠按照我們指定的意願去生成內容呢？比如，mnist資料集的生產，我希望我能指定生成一些我希望的數字，例如1，或者2等。
這就是條件gan了，即cgan和cdcgan。
我們先來看看原理：
我們知道，對於原來的gan網路（包括dcgan）實際上是包含了兩個網路g(z)生成網路，還有d(x)判別網路，然後由此兩個網路進行相互的博弈，產生對應的結果，最後講訓練好的g(z)網路拿出來，生成。
而對於條件網路，實際上就是在兩個網路的基礎上都要增加新的條件標籤:y。而兩個網路g(z)和d(x)在構造的時候，都帶上條件：g(z,y),d(x,y)，這樣訓練出來的結果，帶上y條件，就可以生成條件對應的了。
我們直接看例子:
如果，我們要將乙個gan網路改造成乙個cgan怎麼做呢？
首先要把y定義出來
y = tf.placeholder(tf.float32, shape=[none, y_dim])
然後，改造生成網路
def generator(z, y):
# concatenate z and y
inputs = tf.concat(concat_dim=1, values=[z, y])
g_h1 = tf.nn.relu(tf.matmul(inputs, g_w1) + g_b1)
g_log_prob = tf.matmul(g_h1, g_w2) + g_b2
g_prob = tf.nn.sigmoid(g_log_prob)
return g_prob
可見，生成網路是在維度上直接把條件拼接上去的，就是陣列變「長」了。
再看看判別網路：
def discriminator(x, y):
# concatenate x and y
inputs = tf.concat(concat_dim=1, values=[x, y])
d_h1 = tf.nn.relu(tf.matmul(inputs, d_w1) + d_b1)
d_logit = tf.matmul(d_h1, d_w2) + d_b2
d_prob = tf.nn.sigmoid(d_logit)
return d_prob, d_logit
由此可見，判別網路和生成網路一樣，是將輸入部分和條件標籤拼接在一起，進行統一的學習工作。
中間的計算lost和進行梯度下降這些和原來一樣，不再給出例子了。最後看看訓練部分的偽**：
x_mb, y_mb = mnist.train.next_batch(mb_size)
z_sample = sample_z(mb_size, z_dim)
_, d_loss_curr = sess.run([d_solver, d_loss], feed_dict=)
_, g_loss_curr = sess.run([g_solver, g_loss], feed_dict=)
每次訓練，gan網路，都是公用乙個y標籤進行訓練。
當然使用的時候很簡單，把對應的條件y帶上，就可以獲取到訓練的成果。
到這裡，cgan的設計就結束了，大家可以拿著名的mnist資料集進行測試一下。
下面講講，如果是面對的是dcgan，那麼cdcgan是怎麼處理的呢？
只講核心的，其實也就是在生成網路和判別網路構造的時候有所區別，其他都是一樣的。
先看看生成網路：
def discriminator(x, y_fill, istrain=true, reuse=false):
with tf.variable_scope('discriminator', reuse=reuse):
# initializer
w_init = tf.truncated_normal_initializer(mean=0.0, stddev=0.02)
b_init = tf.constant_initializer(0.0)
# concat layer
cat1 = tf.concat([x, y_fill], 3)
# 1st hidden layer
conv1 = tf.layers.conv2d(cat1, 128, [5, 5], strides=(2, 2), padding='same', kernel_initializer=w_init, bias_initializer=b_init)
lrelu1 = lrelu(conv1, 0.2)
# 2nd hidden layer
conv2 = tf.layers.conv2d(lrelu1, 256, [5, 5], strides=(2, 2), padding='same', kernel_initializer=w_init, bias_initializer=b_init)
lrelu2 = lrelu(tf.layers.batch_normalization(conv2, training=istrain), 0.2)
# output layer
conv3 = tf.layers.conv2d(lrelu2, 1, [7, 7], strides=(1, 1), padding='valid', kernel_initializer=w_init)
o = tf.nn.sigmoid(conv3)
return o, conv3
如上，黑體字部分很關鍵，實際就是將標籤合併到判別網路的原始影象的「深度」上。如此就可以利用y標籤了。
再看看生成網路：
def generator(x, y_label, istrain=true, reuse=false):
with tf.variable_scope('generator', reuse=reuse):
# initializer
w_init = tf.truncated_normal_initializer(mean=0.0, stddev=0.02)
b_init = tf.constant_initializer(0.0)
# concat layer
cat1 = tf.concat([x, y_label], 3)
# 1st hidden layer
deconv1 = tf.layers.conv2d_transpose(cat1, 256, [7, 7], strides=(1, 1), padding='valid', kernel_initializer=w_init, bias_initializer=b_init)
lrelu1 = lrelu(tf.layers.batch_normalization(deconv1, training=istrain), 0.2)
# 2nd hidden layer
deconv2 = tf.layers.conv2d_transpose(lrelu1, 128, [5, 5], strides=(2, 2), padding='same', kernel_initializer=w_init, bias_initializer=b_init)
lrelu2 = lrelu(tf.layers.batch_normalization(deconv2, training=istrain), 0.2)
# output layer
deconv3 = tf.layers.conv2d_transpose(lrelu2, 1, [5, 5], strides=(2, 2), padding='same', kernel_initializer=w_init, bias_initializer=b_init)
o = tf.nn.tanh(deconv3)
return o
其實和cgan的生成網路是一樣的，將y標籤加入到最後乙個維度上，但例子中給了乙個多維度的，其實這個維度定義如下：
z = tf.placeholder(tf.float32, shape=(none, 1, 1, 100))
g_z = generator(z, y_label, istrain)
好，其他就和普通的cgan沒有什麼區別了，大家試試吧。
這裡給出關於cgan的參考：
這篇是原理的介紹
最後，cdcgan的例子和資料相對較少，參見如下，有乙個樣例**：
不過，我先給出結論，機器學習目前平台還是推薦在aws上，這個是最好的，沒有之一！
python學習 條件判斷
計算機之所以能做很多自動化的任務，因為它可以自己做條件判斷。比如，輸入使用者年齡，根據年齡列印不同的內容，在python程式中，用if語句實現 age 20ifage 18 print your age is age print adult 根據python的縮排規則，如果if語句判斷是true，就...
vue學習 條件渲染
v if指令用於條件性地渲染一塊內容。這塊內容只會在指令的表示式返回 truthy 值的時候被渲染。也可以用v else新增乙個 else 塊 因為v if是乙個指令，所以必須將它新增到乙個元素上。但是如果想切換多個元素呢？此時可以把乙個元素當做不可見的包裹元素，並在上面使用v if。最終的渲染結果...
C 學習 條件判斷（三）
今天介紹一下c 中的選擇結構 條件判斷語句 1.if語句 if 條件 2.if語句巢狀 if 條件1 3.if else if 條件 else 條件成立執行else前邊的，不成立執行else後邊的 優化 三元表示式 語法 表示式1 表示式2 表示式3 例如 bool result 5 3?true ...