课程大纲 第 180 课,共 246 课 · 第 16 模块:博弈中的两个网络(GAN,选修)
第 16 模块:博弈中的两个网络(GAN,选修)

一个会画数字的 GAN

为什么重要 在图片上,生成器需要从少数几个数字出发把一张图像构建起来,这和 CNN 做的事情正好相反。你从第 10 模块中知道的那些部件(卷积和 2 倍上采样)能做到这一点,只是顺序相反。

课程的数字 GAN,DCGAN 风格。它的生成器:

  1. 16 个噪声数字,一个到 2 × 2 × 32 个数字的全连接层,ReLU:一张有 32 个通道的 2 × 2 的小图片。
  2. 2 倍上采样(每个像素变成一个 2 × 2 的块)到 4 × 4,一个到 32 个通道的 3 × 3 卷积,ReLU。
  3. 上采样到 8 × 8,一个到 16 个通道的 3 × 3 卷积,ReLU。
  4. 一个到 1 个通道的 3 × 3 卷积,然后是 sigmoid:取值在 0..1 之间的 8 × 8 像素。

上采样之后接一个卷积,完成的是转置卷积的工作,也就是大多数论文所说的那种层,并且避免了它的棋盘格伪影。

训练它在一台笔记本上花了课程好几分钟,对于一节课来说太长了,所以你要加载被记录的权重。info['along'] 显示了它的样本在训练过程中是如何改进的。你的任务:编写生成器的前向传播,然后用第 15 模块的评判器来评判它画出的东西。

本课中的词语和符号
GAN
生成对抗网络:一个生成器和一个判别器彼此对抗地训练
生成器(G)
把噪声变成一个样本的网络
轮到你了

编写 generate(z, P):z 是一个形状为 (n, 16) 的 E.T;返回一个形状为 (n, 8, 8, 1) 的 E.T。使用 E.matmul、E.add、E.reshape、E.relu、E.upsample2、E.conv 和 E.sigmoid。然后用 500 个样本的接近度和多样性填写 scores,并用被识别为每个数字的样本所占的比例填写 share。P 中的每一层都是一对(权重、偏置):P['g1'] = (W, b),而一个卷积层会在 E.conv 之后加上它的偏置。

发现这节课有问题?报告它 · 就这节课提问

这个练习即将开放

完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。