可视化 GAN 的训练过程

本文主要是介绍可视化 GAN 的训练过程，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

今天介绍的一个开源的 github 项目，主要是实现了对 GAN 训练过程的可视化代码，项目链接如下：

github.com/EvgenyKashi…

接下来是简单介绍这份代码的情况，基本实现的功能，效果等。

前言

这是一个简单实现了学习和可视化 2d 的 GANs 的实验代码。在训练了数十个小时的 StyleGAN 后，现在可以通过快速的迭代（30s 左右）来直观的可视化一些超参数的情况（但是并不确定这种直观情况是否可以适用于更大的 GAN 模型）。主要是受到 poloclub.github.io/ganlab/ 的启发，但可能有人更希望在 Colab 中运行代码。

可视化

对训练的动态过程的可视化包括了：

• 真实数据的分布情况（黑色的点）
• 输入固定的噪音，然后由 G 网络生成的假数据；
• D 网络对整个输入空间的决策边界，以及用不同颜色代表其输出的概率（红色代表判定为真实数据的可能性很高，蓝色则是低）
• 绿色箭头表示每个生成的数据点，最大化 D 网络输出的方向

可视化结果

接下来是展示可视化的一些效果：

没有采用 batch-norm 的 G 和 D 的训练情况

加入 batch-norm 的 G 和 D 的训练情况

评价标准的可视化

第一行是训练的过程（输入是固定的噪音）以及多种评判标准（G 和 D 的梯度归一化，losses 以及 D 对真假数据的输出）。第二行展示了输入噪音以及 G 网络中间层的激活函数（映射为 2 维）

对输入噪音的 G 网络的转换

可调试的选项

• 输入数据的分布
• batch 大小，训练的 epochs
• D 和 G 的学习率（可能是最重要的）
• D 和 G 的优化器
• 输入噪音的分布
• 神经元的数量，激活函数
• 损失函数（BCE,L2)
• 权重初始化
• 正则化（batch-norm，dropout，权重衰减）

采用的是 CPU，因为对可视化的实验已经满足速度的要求。

未来的工作

• 增加更多的损失函数
• 增加更多的正则化技术

项目代码可以直接访问 github 查看，或者在我的公众号后台回复“play_gans"，获取代码。

欢迎关注我的微信公众号--算法猿的成长，或者扫描下方的二维码，大家一起交流，学习和进步！

这篇关于可视化 GAN 的训练过程的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！