[深度學習][Python]訓練CNN的GAN模型來生成圖片_訓練篇

延續上一篇訓練GAM模型，這次我們讓神經網路更多層更複雜一點，來看訓練生成的圖片是否效果會更好。

[深度學習][Python]訓練MLP的GAN模型來生成圖片_訓練篇

資料集分割處理的部分在延續上篇文章，從第五點開始後修改即可，前面都一樣

訓練過程，比較圖

是不是CNN的效果比MLP還要好，因為CNN比較好捕捉特徵去學習

CNN

MLP

程式碼

建立建立GAN模型

跟上一篇比起來此模型使用了卷積層和批量正規化，但因為比較多層訓練時間就會比較久。

# 隨機種子設置​
tf.random.set_seed(1)
np.random. seed (1)
d = 100
#生成器（Generator）
generator = keras.models.Sequential([
    keras. layers. Dense(7 * 7 * 128, input_shape= [d]), 
    keras. layers. Reshape ( [7, 7, 128]), 
    keras. layers. BatchNormalization (),
    keras. layers. Conv2DTranspose(64, kernel_size=5, strides=2, 
                                    padding="SAME", activation="selu"),
    keras. layers. BatchNormalization (),
    keras. layers. Conv2DTranspose(1, kernel_size=5, strides=2, 
                                   padding="SAME", activation="tanh"),#輸出：-1～1
])
#判別器（Discriminator）​
discriminator = keras.models.Sequential([
    keras. layers. Conv2D (64, kernel_size=5, strides=2, 
                           padding="SAME",activation=keras.layers. LeakyReLU(0.2), 
                           input_shape= [28, 28, 1]),
    keras.layers. Dropout (0.4),
    keras. layers. Conv2D(128, kernel_size=5, strides=2, 
                          padding="SAME",activation=keras. layers. LeakyReLU(0.2)),
    keras. layers. Dropout (0.4), 
    keras. layers. Flatten(), 
    keras. layers. Dense(1, activation="sigmoid")
])
# GAN 模型​ 
# 將生成器和判別器結合在一起，形成一個生成對抗網絡
gan = keras.models.Sequential( [generator, discriminator])

訓練

將訓練資料重新塑形並標準化，並顯示訓練過程

# 因為生成器的輸出使用了 tanh 激活函數，該函數的輸出範圍為 [-1, 1]。
# 重新改變形狀 (60000, 28, 28, 1)​ 將其值轉換到 [-1, 1] 範圍
x_train_dcgan = x_train.reshape(-1, 28, 28, 1)* 2. - 1.

batch_size = 32
dataset = tf.data.Dataset.from_tensor_slices(x_train_dcgan)
dataset = dataset.shuffle (1000)
# batch(batch_size, drop_remainder=True) 將資料集分批，每批大小為 batch_size，並且丟棄最後不足一批的樣本。​
# prefetch(1)：預先準備一批數據，以加快數據加載速度。​
dataset = dataset.batch (batch_size, drop_remainder=True) .prefetch (1)
# 調用 train_gan 函數，使用創建的資料集 dataset 訓練 GAN：

train_gan(gan, dataset, batch_size, d, n_epochs=20)

儲存生成模型

generator.save('generator_deep.h5')

模型詳細說明

生成器（Generator）

生成器的目的是從隨機噪聲生成假圖像。

generator = keras.models.Sequential([
    keras.layers.Dense(7 * 7 * 128, input_shape=[d]), 
    keras.layers.Reshape([7, 7, 128]), 
    keras.layers.BatchNormalization(),
    keras.layers.Conv2DTranspose(64, kernel_size=5, strides=2, padding="SAME", activation="selu"),
    keras.layers.BatchNormalization(),
    keras.layers.Conv2DTranspose(1, kernel_size=5, strides=2, padding="SAME", activation="tanh"),  # 輸出：-1～1
])

1. Dense Layer: 第一層是全連接層，將輸入的隨機向量（形狀為 [d]）轉換為大小為 7 * 7 * 128 的張量。
2. Reshape Layer: 將張量重塑為 7x7，每個位置有 128 個特徵。
3. BatchNormalization Layer: 進行批量正規化，以加速訓練和穩定模型。
4. Conv2DTranspose Layer: 反捲積層，將 7x7x128 的張量升尺度為 14x14x64。這裡使用了 SELU 激活函數。
5. BatchNormalization Layer: 再次進行批量正規化。
6. Conv2DTranspose Layer: 最後一個反捲積層，將 14x14x64 的張量升尺度為 28x28x1，並使用 tanh 激活函數。輸出圖像的值範圍為 -1 到 1。

判別器（Discriminator）

判別器的目的是區分真實圖像和生成的假圖像。

discriminator = keras.models.Sequential([
    keras.layers.Conv2D(64, kernel_size=5, strides=2, padding="SAME", activation=keras.layers.LeakyReLU(0.2), input_shape=[28, 28, 1]),
    keras.layers.Dropout(0.4),
    keras.layers.Conv2D(128, kernel_size=5, strides=2, padding="SAME", activation=keras.layers.LeakyReLU(0.2)),
    keras.layers.Dropout(0.4), 
    keras.layers.Flatten(), 
    keras.layers.Dense(1, activation="sigmoid")
])

1. Conv2D Layer: 第一層是卷積層，輸入形狀為 28x28x1 的圖像。使用 LeakyReLU 激活函數。
2. Dropout Layer: 用於防止過擬合。
3. Conv2D Layer: 第二個卷積層，將圖像進一步壓縮，使用 LeakyReLU 激活函數。
4. Dropout Layer: 再次使用 Dropout 以防止過擬合。
5. Flatten Layer: 將多維張量展平為一維。
6. Dense Layer: 最後一層是全連接層，輸出一個標量值，並使用 sigmoid 激活函數以進行二分類。