Keras鉴别器序列功能-是否应连接假和真？_Keras_Deep Learning_Data Science_Generative Adversarial Network_Discriminator

Keras鉴别器序列功能-是否应连接假和真？

keras deep-learning

Keras鉴别器序列功能-是否应连接假和真？,keras,deep-learning,data-science,generative-adversarial-network,discriminator,Keras,Deep Learning,Data Science,Generative Adversarial Network,Discriminator,我注意到一些版本的鉴别器序列功能 batch_size = 100 # set_trainability D.trainable = True # create noise noise = np.abs(np.random.randn(batch_size,100)) # fake x_fake = G.predict(noise) y_fake = np.zeros((batch_size,2)) y_fake[:,0] = 1 # real x_real = np.array([sa

我注意到一些版本的鉴别器序列功能

batch_size = 100

# set_trainability
D.trainable = True

# create noise
noise = np.abs(np.random.randn(batch_size,100))

# fake
x_fake = G.predict(noise)
y_fake = np.zeros((batch_size,2))
y_fake[:,0] = 1

# real
x_real = np.array([sample_data_pp(num=100)[0] for i in range(batch_size)])
y_real = np.zeros((batch_size,2))
y_real[:,1] = 1

我应该将

假代码和真代码连接起来吗？或者“单独”培训他们。

为什么（如果有的话）这会有区别？

比如说,
D.train_on_batch(x_fake,y_fake)
D.train_on_batch(x_real,y_real)

或：
生成性对抗网络非常不稳定，如果不亲自尝试并衡量结果，就很难知道什么是有效的
也就是说，根据我的经验，区分真假样品是一种很好的做法。请参阅以获取参考
我认为，当使用批标准化（keras.layers.BatchNormalization（）
）来区分真假样本的批次统计数据时，分别使用真假样本进行培训是至关重要的
x_train = np.concatenate((x_fake,x_real))
y_train = np.concatenate((y_fake,y_real))
D.train_on_batch(x_train,y_train)