Keras 中的生成对抗网络 (GAN) - 创建组合模型

Question

我正在尝试创建一个非常简单的 GAN 模型，但不确定如何组合生成器和鉴别器来训练生成器

from keras import optimizers
from keras.layers import Input, Dense
from keras.models import Sequential, Model
import numpy as np
def build_generator(input_dim=10, output_dim=40, hidden_dim=28):
     model = Sequential()
     model.add(Dense(hidden_dim, input_dim=input_dim, activation='sigmoid', kernel_initializer="random_uniform"))
     model.add(Dense(output_dim, activation='sigmoid', kernel_initializer="random_uniform"))
     return model

def build_discriminator(input_dim=40, hidden_dim=28, output_dim=50):
    input_d = Input(shape=(input_dim,))
    encoded = Dense(hidden_dim, activation='sigmoid', kernel_initializer="random_uniform")(input_d)
    decoded = Dense(output_dim, activation='sigmoid', kernel_initializer="random_uniform")(encoded)
    x = Dense(1, activation='relu')(encoded)
    y = Dense(1, activation='sigmoid')(encoded)
    model = Model(inputs=input_d, outputs=[decoded, x, y])
    return model

sgd = optimizers.SGD(lr=0.1) 
generator = build_generator(10, 100, 70)
discriminator = build_discriminator(100, 60, 80)
generator.compile(loss='mean_squared_error', optimizer=sgd)
discriminator.trainable = True
discriminator.compile(loss='mean_squared_error', optimizer=sgd)
discriminator.trainable = False

现在我不确定如何将它们结合起来，因此鉴别器将接收生成器输出，然后传递生成器反向传播数据

Answer 1

为此，最好的办法是使用函数式

Model

API。这适用于更复杂的模型，接受分支、串联等。

（在这种特定情况下，使用顺序模型仍然是可能的，但使用函数式 API 对我来说总是听起来更好，因为可以自由地进行模型的进一步实验）

因此，您可以保留两个顺序模型。您所要做的就是构建包含这两个模型的第三个模型。

generator = build_generator(....) #don't create a new generator, use the one you have. 
discriminator = build_discriminator(....)

现在，函数式 API 模型的输入形状定义如下：

inputTensor = Input(inputShape) #inputShape must be the same as in generator     

我们的工作方式是将输入传递到层并获取输出：

#Getting the output of the generator given our input tensor:
genOut = generator(inputTensor) #you call a model just like you call a layer    

#and we pass the generator's output to the discriminator, getting its output:
discOut = discriminator(genOut)

最后，我们通过定义其起点和终点来创建实际模型：

GAN = Model(inputTensor, discOut)

---

在

model.layers[i].trainable

之前使用

compile

参数来定义每个模型中哪些层可训练或不可训练。

Answer 2

结合生成器和判别器模型有时确实会非常令人困惑。我在下面的链接中找到了这个存储库，它很好地演示了如何在 keras 中构建 GAN 的多个架构的详细代码： https://github.com/kochlisGit/Keras-GAN