6 GAN的基本原理：对抗训练的流程

查看大图

GAN 的关键是生成器和判别器互相推动，学习时要同时看结构、训练和样本质量。阅读时可以按「对抗训练的基本概念 -> 对抗训练的流程 -> 案例说明 -> 生成器」建立结构，再回到正文里的代码、案例或指标做验证。

查看大图

读完后，用一个真实小任务复查：输入是什么，处理环节在哪里，输出是否可验收；失败时先查「对抗训练的基本概念」，再查「对抗训练的流程」。

在上一篇中，我们探讨了GAN的损失函数的定义，了解了它们是如何影响模型的训练过程的。在本篇中，我们将深入分析GAN的核心机制——对抗训练的流程。通过对抗训练，生成器和判别器在不断的互动中提升各自的能力，从而实现生成真实感极强的数据。让我们详细展开这一过程，并结合案例进行说明。

对抗训练的基本概念

生成对抗网络（GAN）由两个神经网络构成：生成器（Generator）和判别器（Discriminator）。这两个网络通过对抗的方式进行训练，形成一个博弈过程。在这个过程中，生成器负责生成假样本，而判别器则负责判断样本是真实样本还是生成样本。

对抗训练的目标是在于平衡这两个网络的能力，生成器希望能够生成越来越真实的数据；而判别器则希望能够识别出这些假样本。这个过程是动态的，而且是迭代进行的，随着训练的进行，这两个网络会不断调整自己的策略。

对抗训练的流程

对抗训练的基本流程如下：

1. 初始化网络：

   1. 初始化生成器G和判别器D的网络参数。

2. 真实样本选择：

   1. 从真实数据集中随机选择一批真实样本，记为 x_real。

3. 生成假样本：

   1. 通过生成器G生成一批假样本，输入为噪声向量 z，即 x_fake = G(z)。

4. 训练判别器：

   1. 判别器D接受真实样本和生成的假样本。
   2. 计算判别器对真实样本的预测概率 D(x_real) 和对假样本的预测概率 D(x_fake)。
   3. 计算判别器损失：$L_D = - \mathbb{E}_{x \sim P_{data}}[\log D(x)] - \mathbb{E}_{x \sim P_{g}}[\log (1 - D(x))]$
   4. 通过反向传播更新判别器D的参数，以最小化损失$L_D$。

训练生成器：

1. 生成器G生成一批新的假样本 x_fake = G(z)。
2. 计算生成器的损失：$L_G = - \mathbb{E}_{x \sim P_{g}}[\log D(G(z))]$
3. 通过反向传播更新生成器G的参数，以最小化损失$L_G$。

循环迭代：

1. 重复第2步到第5步，直到达到预设的训练轮次或生成样本的质量达到要求。

案例说明

为了便于理解上述流程，我们来看一个具体的代码示例。这里以TensorFlow/Keras为基础实现一个简单的GAN模型。

查看大图

理解对抗训练流程时，先看生成器产出样本、判别器给出反馈、参数如何更新。循环稳定才可能生成好结果。

import numpy as np
import tensorflow as tf
from tensorflow.keras import layers

# 生成器
def build_generator(latent_dim):
    model = tf.keras.Sequential()
    model.add(layers.Dense(128, activation='relu', input_dim=latent_dim))
    model.add(layers.Dense(784, activation='sigmoid'))  # 输出28*28的扁平化图像
    return model

# 判别器
def build_discriminator(input_shape):
    model = tf.keras.Sequential()
    model.add(layers.Dense(128, activation='relu', input_shape=input_shape))
    model.add(layers.Dense(1, activation='sigmoid'))  # 二元分类
    return model

# GAN模型
latent_dim = 100
generator = build_generator(latent_dim)
discriminator = build_discriminator((784,))
discriminator.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# GAN组件
discriminator.trainable = False
gan_input = layers.Input(shape=(latent_dim,))
fake_img = generator(gan_input)
gan_output = discriminator(fake_img)
gan_model = tf.keras.Model(gan_input, gan_output)
gan_model.compile(loss='binary_crossentropy', optimizer='adam')

# 训练过程
def train_gan(epochs, batch_size):
    for epoch in range(epochs):
        # 生成假样本
        noise = np.random.normal(0, 1, size=[batch_size, latent_dim])
        generated_images = generator.predict(noise)

        # 真实样本样本
        real_images = ...  # 从真实数据集中加载

        # 标签
        real_labels = np.ones(batch_size)
        fake_labels = np.zeros(batch_size)

        # 训练判别器
        d_loss_real = discriminator.train_on_batch(real_images, real_labels)
        d_loss_fake = discriminator.train_on_batch(generated_images, fake_labels)
        d_loss = 0.5 * np.add(d_loss_real, d_loss_fake)

        # 训练生成器
        noise = np.random.normal(0, 1, size=[batch_size, latent_dim])
        g_loss = gan_model.train_on_batch(noise, real_labels)  # 使用真实的标签来欺骗判别器

        if epoch % 1000 == 0:
            print(f'Epoch {epoch}, D Loss: {d_loss[0]}, G Loss: {g_loss}')

# 设置训练参数并开始训练
train_gan(epochs=10000, batch_size=32)

在本示例中，我们构建了一个简单的生成器和判别器，并展示了基于对抗训练的基本训练流程。生成器负责从随机噪声生成图像，判别器则评估这些图像的真实性，并更新生成器的输出效果。

查看大图

学完《GAN的基本原理：对抗训练的流程》后，不妨换一个自己的场景试一次，重点观察输入、处理和输出是否能对应起来。

查看大图

如果想把《GAN的基本原理：对抗训练的流程》用到自己的任务里，可以先缩小场景，只验证一个最关键的判断点。

小结

在本篇中，我们详细阐述了对抗训练的流程，并结合代码示例使得这些概念更加具体化。对抗训练是GAN的核心，通过生成器和判别器的博弈，让模型逐渐学会生成更为真实的样本。在下一篇中，我们将一起设置环境和依赖，以便开始构建我们的第一个GAN模型。

读完《GAN的基本原理：对抗训练的流程》不要只停在“看懂了”。回头挑一个步骤动手做一遍，再记录哪里卡住，后面的学习会更稳。