Python DCGANs:鉴别器变得太强太快,无法让生成器学习
我正在尝试使用(在Tensorflow中实现)我的一些数据。我遇到了鉴别器变得太强的问题,太快了,生成器无法学习任何东西 现在有一些技巧通常被推荐用于解决GANs的问题:Python DCGANs:鉴别器变得太强太快,无法让生成器学习,python,tensorflow,dcgan,Python,Tensorflow,Dcgan,我正在尝试使用(在Tensorflow中实现)我的一些数据。我遇到了鉴别器变得太强的问题,太快了,生成器无法学习任何东西 现在有一些技巧通常被推荐用于解决GANs的问题: 批量标准化(DCGANs代码中已有) 使发电机领先 我做了后者的一些版本,允许每1个鉴别器迭代10次generator(不仅在开始时,而且在整个培训过程中),这就是它的外观: 在这种情况下,增加更多的生成器迭代只会减缓不可避免的鉴别器变得太强,并抑制生成器学习 因此,我想就是否有其他方法可以帮助解决歧视性太强的问题征求意
- 批量标准化(DCGANs代码中已有)
- 使发电机领先
因此,我想就是否有其他方法可以帮助解决歧视性太强的问题征求意见?总结一下这个主题-一般建议如下:
- 尝试使用模型参数(例如学习率)
- 尝试向输入数据添加更多种类
- 尝试调整生成器和鉴别器的结构 网络
然而,在我的例子中,问题是数据缩放:我已经将输入数据的格式从初始的.jpg更改为.npy,并且在途中丢失了重缩放。请注意,将输入数据重新缩放到[-1,1]范围,并对模型进行了调整以使用此范围。我认为有几种方法可以减少鉴别器:
def leaky_relu(x,alpha,name=“leaky_relu”):
返回tf.max(x,alpha*x,name=name)
def discriminator(images, reuse=False):
# Implement a seperate leaky_relu function
def leaky_relu(x, alpha, name="leaky_relu"):
return tf.maximum(x, alpha * x , name=name)
# Leaky parameter Alpha
alpha = 0.2
# Add batch normalization, kernel initializer, the LeakyRelu activation function, ect. to the layers accordingly
with tf.variable_scope('discriminator', reuse=reuse):
# 1st conv with Xavier weight initialization to break symmetry, and in turn, help converge faster and prevent local minima.
images = tf.layers.conv2d(images, 64, 5, strides=2, padding="same", kernel_initializer=tf.contrib.layers.xavier_initializer())
# batch normalization
bn = tf.layers.batch_normalization(images, training=True)
# Leaky relu activation function
relu = leaky_relu(bn, alpha, name="leaky_relu")
# Dropout "rate=0.1" would drop out 10% of input units, oppsite with keep_prob
drop = tf.layers.dropout(relu, rate=0.2)
# 2nd conv with Xavier weight initialization, 128 filters.
images = tf.layers.conv2d(drop, 128, 5, strides=2, padding="same", kernel_initializer=tf.contrib.layers.xavier_initializer())
bn = tf.layers.batch_normalization(images, training=True)
relu = leaky_relu(bn, alpha, name="leaky_relu")
drop = tf.layers.dropout(relu, rate=0.2)
# 3rd conv with Xavier weight initialization, 256 filters, strides=1 without reshape
images = tf.layers.conv2d(drop, 256, 5, strides=1, padding="same", kernel_initializer=tf.contrib.layers.xavier_initializer())
#print(images)
bn = tf.layers.batch_normalization(images, training=True)
relu = leaky_relu(bn, alpha, name="leaky_relu")
drop = tf.layers.dropout(relu, rate=0.2)
flatten = tf.reshape(drop, (-1, 7 * 7 * 128))
logits = tf.layers.dense(flatten, 1)
ouput = tf.sigmoid(logits)
return ouput, logits
d_损失实际值=tf.reduce_平均值(
tf.nn.sigmoid\u cross\u entropy\u with\u logits(logits=d\u logits\u real,labels=tf.ones\u like(d\u model\u real)*(1.0-平滑))
当我尝试他们生成mnist数据的实现时,我最终得到了非常高的损失。但从输出来看,它们看起来仍然像数字(如果你稍微眯着眼睛),这取决于你的问题领域,有时生成器的输出“足够好”,尽管没有通过鉴别器的测试。