Python 在TensorFlow中使用LSTM-CGAN生成MNIST数

受此启发，我正在尝试构建一个条件GAN，它将使用LSTM生成MNIST编号。我希望我使用的架构与下图中相同（除了双向RNN in鉴别器，摘自）：

当我运行这个模型时，我得到了非常奇怪的结果。此图显示了我的模型在每个历元后生成的编号3。它应该看起来更像。真糟糕

我的鉴别器的丢失网络下降速度非常快，接近于零。然而，my发电机的损耗在某个固定点附近振荡（可能缓慢发散）。我真的不知道发生了什么事。以下是我的代码（完整代码）中最重要的部分：

---

我的模型很可能有问题。有人能帮我使发电机网络融合吗？

您可以做一些事情来改进您的网络架构和培训阶段

从发生器和鉴别器上拆下

tf.nn.sigmoid（logit）

。只返回

pred

使用数值稳定的函数计算损失函数，并修复损失函数：

D_损失=-tf.reduce_均值（tf.log（D_real）+tf.log（1.-D_fake）） G_损失=-tf.reduce_平均值（tf.log（D_伪））

应该是：

D_loss_real = tf.nn.sigmoid_cross_entropy_with_logits(
              logits=D_real,
              labels=tf.ones_like(D_real))
D_loss_fake = tf.nn.sigmoid_cross_entropy_with_logits(
              logits=D_fake,
              labels=tf.zeros_like(D_fake))

D_loss = -tf.reduce_mean(D_loss_real + D_loss_fake)
G_loss = -tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(
              logits=D_real,
              labels=tf.ones_like(D_real)))

一旦你修正了损耗并使用了数值稳定的函数，事情就会变得更好。此外，根据经验，如果损失中有太多噪音，则降低学习率（ADAM的默认lr在训练GANs时通常过高）。

---

希望它有帮助

可能有用，即使它们是为简单的GANs编写的。您的问题是鉴别器的学习速度如此之快，它确实允许生成器进行改进。这是一个普遍的问题。如果您的代码没有明显的错误，那么该链接将帮助您解决问题。我想知道生成器是否需要更多信息来创建有意义的数字？它似乎在每一行输出非常相似的东西？@JacquesKvam在某些情况下，它比上面的图片要糟糕得多。生成器仅返回垂直直线，顶部仅有几行噪声。

D_loss_real = tf.nn.sigmoid_cross_entropy_with_logits(
              logits=D_real,
              labels=tf.ones_like(D_real))
D_loss_fake = tf.nn.sigmoid_cross_entropy_with_logits(
              logits=D_fake,
              labels=tf.zeros_like(D_fake))

D_loss = -tf.reduce_mean(D_loss_real + D_loss_fake)
G_loss = -tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(
              logits=D_real,
              labels=tf.ones_like(D_real)))