如何在Tensorflow中异步更新GAN Generator和Discriminator？

Question

我想用Tensorflow开发一个GAN，Generator是一个自动编码器，Discriminator是一个带二进制输出的卷积神经网络。开发自动编码器和CNN没有问题，但我的想法是为每个组件（判别器和发生器）训练1个纪元，并重复这个循环1000个纪元，保持前一个训练纪元的结果（权重）为下一个。我该如何操作呢？

Answer 1

如果您有两个名为train_step_generator和train_step_discriminator的操作（例如，每个操作都是tf.train.AdamOptimizer().minimize(loss)形式，每个都有适当的损失），那么您的训练循环应该类似于以下结构：

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for epoch in range(1000):
        if epoch%2 == 0: # train discriminator on even epochs
            for i in range(training_set_size/batch_size):
                z_ = np.random.normal(0,1,batch_size) # this is the input to the generator
                batch = get_next_batch(batch_size)
                sess.run(train_step_discriminator,feed_dict={z:z_, x:batch})
        else: # train generator on odd epochs
            for i in range(training_set_size/batch_size):
                z_ = np.random.normal(0,1,batch_size)  # this is the input to the generator
                sess.run(train_step_generator,feed_dict={z:z_})

权重将在迭代之间持续存在。

Answer 2

我解决了这个问题。实际上，我希望自动编码器的输出是CNN的输入，连接GAN并以1：1的比例更新权重。我注意到我必须特别注意区分发生器和鉴别器的损耗，否则在第二次循环开始时，发生器的张量损失将由浮点数替换，即Discriminator产生的最后一次丢失。

这是代码：

with tf.Session() as sess:
sess.run(init)
for i in range(1, num_steps+1):

这里是发电机培训

    batch_x, batch_y=next_batch(batch_size, x_train_noisy, x_train)        
    _, l = sess.run([optimizer, loss], feed_dict={X: batch_x.reshape(n,784),
                    Y:batch_y})
    if i % display_step == 0 or i == 1:
        print('Epoch %i: Denoising Loss: %f' % (i, l))

这里，Generator的输出将用作Discriminator的输入

    output=sess.run([decoder_op],feed_dict={X: x_train})
    x_train2=np.array(output).reshape(n,784).astype(np.float64)

这里是鉴别者培训

    batch_x2, batch_y2 = next_batch(batch_size, x_train2, y_train)
    sess.run(train_op, feed_dict={X2: batch_x2.reshape(n,784), Y2: batch_y2, keep_prob: 0.8})
    if i % display_step == 0 or i == 1:
        loss3, acc = sess.run([loss_op2, accuracy], feed_dict={X2: batch_x2,
                                                             Y2: batch_y2,
                                                             keep_prob: 1.0})
        print("Epoch " + str(i) + ", CNN Loss= " + \
              "{:.4f}".format(loss3) + ", Training Accuracy= " + "{:.3f}".format(acc))

这样，异步更新可以按比例1：1,1：5,5：1（判别器：发生器）或任何其他方式操作