pytorch conditional GAN 调试笔记

推荐的几个开源实现

1. znxlwm 使用InfoGAN的结构，卷积反卷积
2. eriklindernoren 把mnist转成1维，label用了embedding
3. wiseodd 直接从tensorflow代码转换过来的，数据集居然还用tf的数据集。。
4. Yangyangii 转1维向量，全连接
5. FangYang970206 提供了多标签作为条件的实现思路
6. znxlwm 专门针对MNIST数据集的一个实现方法，转1维，比较接近原paper的实现方法

训练过程

• 简述

    # z - 随机噪声

    # X - 输入数据

    # c - 输入的label

    # ===== 训练判别器D =====

    # 真数据输入到D中

    D_real = D(X, c)

    # 真数据D的判断结果应尽可能接近1

    D_loss_real = nn.binary_cross_entropy(D_real, ones_label)

    # 生成随机噪声

    z = torch.rand((batch_size, self.z_dim))

    # G生成的伪数据，这一步的c可以用已知的，也可以重新随机生成一些label，但总之这些c所生成的数据都是伪的

    G_sample = G(z, c)

    # 伪数据输入到D中

    D_fake = D(G_sample , c)

    # 伪数据D的判断结果应尽可能接近0

    D_loss_fake = nn.binary_cross_entropy(D_fake, zeros_label)

    # D的loss定义为上面两部分之和，即真数据要尽可能接近1，伪数据要尽可能接近0

    D_loss = D_loss_real + D_loss_fake

    # 更新D的参数

    D_loss.backward()

    D_solver.step()

    # 在训练G之前把梯度清零，也可以不这么做

    reset_grad()

    # ===== 训练生成器G =====

    # 这里可以选择，有的实现是直接用上面的z

    z = Variable(torch.randn(mb_size, Z_dim))

    # 这里可以选择用已知的c，或者重新采样

    c = 重新随机一些label

    # 用G生成伪数据

    G_sample = G(z, c)

    # 伪数据输入到D中

    D_fake = D(G_sample, c)

    # 此时计算的是G的Loss，伪数据D的判断结果应尽可能接近1，因为G要试图骗过D

    G_loss = nn.binary_cross_entropy(D_fake, ones_label)

    # 更新G的参数

    G_loss.backward()

    G_solver.step()

一些坑

1. 计算D和G的loss时最好分别用不同的随机噪声，否则有可能训练过程不会收敛，而且结果差
2. 注意，训练的时候随机噪声的分布应该要保持和测试时的分布一致，不要一个用均匀分布，一个用正态分布

初步结果

哈哈哈看到终于训练出来像样的数字，还是有点小成就的