黄村专业网站建设公司,网站建设预算表样本,深圳网站设计联系电话,网站 提示危险知识点回顾#xff1a;
对抗生成网络的思想#xff1a;关注损失从何而来 生成器、判别器 nn.sequential容器#xff1a;适合于按顺序运算的情况#xff0c;简化前向传播写法 leakyReLU介绍#xff1a;避免relu的神经元失活现象 ps#xff1b;如果你学有余力#xff0c;…知识点回顾
对抗生成网络的思想关注损失从何而来 生成器、判别器 nn.sequential容器适合于按顺序运算的情况简化前向传播写法 leakyReLU介绍避免relu的神经元失活现象 ps如果你学有余力对于gan的损失函数的理解建议去找找视频看看如果只是用没必要学
作业对于心脏病数据集对于病人这个不平衡的样本用GAN来学习并生成病人样本观察不用GAN和用GAN的F1分数差异。
一、 GAN对抗生成网络思想
先说一下gan的原理我们之前就说过无论是多么复杂的架构设计你最需要把握的核心点就是1. 损失从何而来 2. 损失如何定义
假设现在有1个造假币的a和一个警察b他们都是初始化的神经网络
为了让警察能分辨真币我需要给他看真币的样子也就是先训练警察知道什么是真币但是只给他一个真币他也没法训练我中间得掺杂一些无意义的噪声图片无意义的肯定不可能是真币所以他大概可以训练好。此时他就是一个基础的分类模型能分别真币和假币
然后我随机初始化这个造假币的a我每次给他随机的输入他会生成不同的假币每一张假币都会让警察来判断警察能够分别出真假如果说你是假的那么造假币的就要更新参数如果是真的那么造假币的参数就不用更新警察要更新参数。所以后续二者就在不断博弈中进步知道最后假币专家造假以假乱真只要更新的轮数多即使骗不过专家但是也很棒了。
我们把这个造假币的叫做生成器把这个警察叫做判别器
这个过程有点类似于二者互相对抗所以叫做对抗生成网络目的就是在对抗中找到一个可以模仿原有数据的模型。生成器基于随机噪声生成样本判别器对样本真实数据 生成数据进行分类双方根据判别结果更新参数生成器尝试让判别器误判判别器尝试提高准确率。
他的损失由2部分构成生成器的损失和判别器的损失。判别器的损失定义在先生成器的损失定义基于判别器的反馈。 判别器的损失就是分类问题的损失二分类是二元交叉熵损失BCE本质分类输出的是概率并不是非黑即白 生成器的损失依靠判别器的损失如果判别器说是假的生成器的损失就大反之亦然。
判别器损失同时包含 “真实数据判真” 和 “生成数据判假” 两部分而生成器损失仅针对 “生成数据被判别为真” 的目标。实际训练中两者的优化是交替进行的先训判别器再训生成器。两者的损失共同推动 GAN 逼近 “以假乱真” 的平衡状态。
日常中我们经常遇到不平衡数据中某一类别样本过少之前说过结构化数据有smote等过采样方式来提高图像数据可以数据增强还可以设置权重等方式来
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, TensorDataset
import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings(ignore)
# 设置中文字体支持
plt.rcParams[font.family] [SimHei]
plt.rcParams[axes.unicode_minus] False # 解决负号显示问题# 检查GPU是否可用
device torch.device(cuda if torch.cuda.is_available() else cpu)
print(f使用设备: {device})LATENT_DIM 10 # 潜在空间的维度这里根据任务复杂程度任选
EPOCHS 10000 # 训练的回合数一般需要比较长的时间
BATCH_SIZE 32 # 每批次训练的样本数
LR 0.0002 # 学习率
BETA1 0.5 # Adam优化器的参数# 检查是否有可用的GPU否则使用CPU
device torch.device(cuda if torch.cuda.is_available() else cpu)
print(fUsing device: {device})# --- 2. 加载并预处理数据 ---iris load_iris()
X iris.data
y iris.target# 只选择 Setosa (类别 0)
X_class0 X[y 0] # 一种简便写法# 数据缩放到 [-1, 1]
scaler MinMaxScaler(feature_range(-1, 1))
X_scaled scaler.fit_transform(X_class0) # 转换为 PyTorch Tensor 并创建 DataLoader
# 注意需要将数据类型转为 float
real_data_tensor torch.from_numpy(X_scaled).float()
dataset TensorDataset(real_data_tensor)
dataloader DataLoader(dataset, batch_sizeBATCH_SIZE, shuffleTrue)print(f成功加载并预处理数据。用于训练的样本数量: {len(X_scaled)})
print(f数据特征维度: {X_scaled.shape[1]})
使用设备: cuda
Using device: cuda
成功加载并预处理数据。用于训练的样本数量: 50
数据特征维度: 4二、 生成器
# --- 3. 构建模型 ---# (A) 生成器 (Generator)
class Generator(nn.Module):def __init__(self):super(Generator, self).__init__()self.model nn.Sequential(nn.Linear(LATENT_DIM, 16),nn.ReLU(),nn.Linear(16, 32),nn.ReLU(),nn.Linear(32, 4),# 最后的维度只要和目标数据对齐即可nn.Tanh() # 输出范围是 [-1, 1])def forward(self, x):return self.model(x) # 因为没有像之前一样做定义x某些东西所以现在可以直接输出模型
2.1 nn.Sequential容器
这里我们用了torch中的容器这个概念sequential是一个按顺序存放神经网络的容器这样写神经网路的属性的时候把这些内容都写在一个容器中然后作为属性后面定义前向传播的视时候会方便很多。
除了nn.sequential这种按顺序运算的容器,还有一些其他的容器比如nn.ModuleList对于消融实验会起到简化代码的作用有机会我们未来再说。
这种写法很好用比如像encoder-decoder架构之前复试课说了就可以借助这种写法来实现简单的定义前向传播
# def forward(self, x):
# x self.encoder(x)
# x self.decoder(x)
# return x
当网络结构不满足线性顺序执行时如包含残差连接、多分支、条件判断等必须手动编写forward()方法。例如
# def forward(self, x):
# identity x
# out self.conv1(x)
# out self.relu(out)
# out self.conv2(out)
# out identity # 残差连接无法用Sequential实现
# return self.relu(out)
这是一个残差连接的写法无法用sequential这个容器按顺序搭建。
总结
对于网络层按线性顺序堆叠如 MLP、CNN 的主体部分可以使用 Sequential 模型。对于网络包含复杂分支结构如 ResNet 的残差连接、Inception 的多分支建议手动编写forward()方法。
这两种方式本质上是等价的但前者更符合模块化编程的思想能让你的代码更易读、易维护。
不得不说代码其实本质上就是几个常见的运算但是由于不断封装具备了各种各样的类、属性、语法糖等等写法。
三、判别器
# (B) 判别器 (Discriminator)
class Discriminator(nn.Module):def __init__(self):super(Discriminator, self).__init__()self.model nn.Sequential(nn.Linear(4, 32),nn.LeakyReLU(0.2), # LeakyReLU 是 GAN 中的常用选择nn.Linear(32, 16),nn.LeakyReLU(0.2), # 负斜率参数为0.2nn.Linear(16, 1), # 这里最后输出1个神经元,所以用sigmoid激活函数nn.Sigmoid() # 输出 0 到 1 的概率)def forward(self, x):return self.model(x)
3.1 分类问题激活函数和损失函数的对应
之前这里说的比较浅我们再概括下激活函数和损失函数对应的情况
二分类问题,常见的输出有2种
单输出 Sigmoid双输出 Softmax
二者完全等价,一般推荐第一个
sigmoid一般对应BCE损失softmax一般对应 CrossEntropy 损失
3.2 LeakyReLU
此外在昨天的神经网络调参指南中我们就说到了激活函数的选取我说还有了LeakyReLU这种形式
标准relu: f(x) max(0, x) 小于0的输入直接置为0,计算简单能缓解梯度消失问题引入非线性。存在 “神经元死亡” 问题当输入为负时梯度为 0参数无法更新
LeakyReLU: f(x) max(0.01x, x) 对负数输入保留一个小的梯度如0.01倍,在输入为负时仍有非零梯度如 0.01避免神经元永久死亡
许多 GAN 变体如 DCGAN、WGAN都默认使用 LeakyReLU实践证明它能显著提高模型收敛速度和生成质量。
# 实例化模型并移动到指定设备
generator Generator().to(device)
discriminator Discriminator().to(device)print(generator)
print(discriminator)# --- 4. 定义损失函数和优化器 ---criterion nn.BCELoss() # 二元交叉熵损失# 分别为生成器和判别器设置优化器
g_optimizer optim.Adam(generator.parameters(), lrLR, betas(BETA1, 0.999))
d_optimizer optim.Adam(discriminator.parameters(), lrLR, betas(BETA1, 0.999))
Generator((model): Sequential((0): Linear(in_features10, out_features16, biasTrue)(1): ReLU()(2): Linear(in_features16, out_features32, biasTrue)(3): ReLU()(4): Linear(in_features32, out_features4, biasTrue)(5): Tanh())
)
Discriminator((model): Sequential((0): Linear(in_features4, out_features32, biasTrue)(1): LeakyReLU(negative_slope0.2)(2): Linear(in_features32, out_features16, biasTrue)(3): LeakyReLU(negative_slope0.2)(4): Linear(in_features16, out_features1, biasTrue)(5): Sigmoid())
) # --- 5. 执行训练循环 ---print(\n--- 开始训练 ---)
for epoch in range(EPOCHS):for i, (real_data,) in enumerate(dataloader):# 将数据移动到设备real_data real_data.to(device)current_batch_size real_data.size(0)# 创建真实和虚假的标签real_labels torch.ones(current_batch_size, 1).to(device)fake_labels torch.zeros(current_batch_size, 1).to(device)# ---------------------# 训练判别器# ---------------------d_optimizer.zero_grad() # 梯度清零# (1) 用真实数据训练real_output discriminator(real_data)d_loss_real criterion(real_output, real_labels)# (2) 用假数据训练noise torch.randn(current_batch_size, LATENT_DIM).to(device)# 使用 .detach() 防止在训练判别器时梯度流回生成器这里我们未来再说fake_data generator(noise).detach() fake_output discriminator(fake_data)d_loss_fake criterion(fake_output, fake_labels)# 总损失并反向传播d_loss d_loss_real d_loss_faked_loss.backward()d_optimizer.step()# ---------------------# 训练生成器# ---------------------g_optimizer.zero_grad() # 梯度清零# 生成新的假数据并尝试欺骗判别器noise torch.randn(current_batch_size, LATENT_DIM).to(device)fake_data generator(noise)fake_output discriminator(fake_data)# 计算生成器的损失目标是让判别器将假数据误判为真(1)g_loss criterion(fake_output, real_labels)# 反向传播并更新生成器g_loss.backward()g_optimizer.step()# 每 1000 个 epoch 打印一次训练状态if (epoch 1) % 1000 0:print(fEpoch [{epoch1}/{EPOCHS}], fDiscriminator Loss: {d_loss.item():.4f}, fGenerator Loss: {g_loss.item():.4f})print(--- 训练完成 ---)
--- 开始训练 ---
Epoch [1000/10000], Discriminator Loss: 1.2934, Generator Loss: 0.8093
Epoch [2000/10000], Discriminator Loss: 1.3146, Generator Loss: 0.7411
Epoch [3000/10000], Discriminator Loss: 1.3665, Generator Loss: 0.7093
Epoch [4000/10000], Discriminator Loss: 1.3775, Generator Loss: 0.6901
Epoch [5000/10000], Discriminator Loss: 1.3592, Generator Loss: 0.6998
Epoch [6000/10000], Discriminator Loss: 1.3706, Generator Loss: 0.7035
Epoch [7000/10000], Discriminator Loss: 1.3499, Generator Loss: 0.7026
Epoch [8000/10000], Discriminator Loss: 1.3553, Generator Loss: 0.7325
Epoch [9000/10000], Discriminator Loss: 1.3449, Generator Loss: 0.7348
Epoch [10000/10000], Discriminator Loss: 1.3182, Generator Loss: 0.7244
--- 训练完成 ---
# --- 6. 生成新数据并进行可视化对比 ---print(\n--- 生成并可视化结果 ---)
# 将生成器设为评估模式
generator.eval()# 使用 torch.no_grad() 来关闭梯度计算
with torch.no_grad():num_new_samples 50noise torch.randn(num_new_samples, LATENT_DIM).to(device)generated_data_scaled generator(noise)# 将生成的数据从GPU移到CPU并转换为numpy数组
generated_data_scaled_np generated_data_scaled.cpu().numpy()# 逆向转换回原始尺度
generated_data scaler.inverse_transform(generated_data_scaled_np)
real_data_original_scale scaler.inverse_transform(X_scaled)# 可视化对比
fig, axes plt.subplots(2, 2, figsize(12, 10))
fig.suptitle(真实数据 vs. GAN生成数据 的特征分布对比 (PyTorch), fontsize16)feature_names iris.feature_namesfor i, ax in enumerate(axes.flatten()):ax.hist(real_data_original_scale[:, i], bins10, densityTrue, alpha0.6, labelReal Data)ax.hist(generated_data[:, i], bins10, densityTrue, alpha0.6, labelGenerated Data)ax.set_title(feature_names[i])ax.legend()plt.tight_layout(rect[0, 0.03, 1, 0.95])
plt.show()# 将生成的数据与真实数据并排打印出来看看
print(\n前5个真实样本 (Setosa):)
print(pd.DataFrame(real_data_original_scale[:5], columnsfeature_names))print(\nGAN生成的5个新样本:)
print(pd.DataFrame(generated_data[:5], columnsfeature_names))
--- 生成并可视化结果 ---
前5个真实样本 (Setosa):sepal length (cm) sepal width (cm) petal length (cm) petal width (cm)
0 5.1 3.5 1.4 0.2
1 4.9 3.0 1.4 0.2
2 4.7 3.2 1.3 0.2
3 4.6 3.1 1.5 0.2
4 5.0 3.6 1.4 0.2GAN生成的5个新样本:sepal length (cm) sepal width (cm) petal length (cm) petal width (cm)
0 4.320492 2.661918 1.386190 0.242133
1 4.977553 3.303130 1.497289 0.186877
2 4.926282 3.197162 1.510863 0.170230
3 4.305457 2.951858 1.087415 0.149636
4 5.188134 3.727965 1.434129 0.220814GAN 训练效果的关键指标是 生成数据分布与真实数据分布的重合度
若两者分布高度重叠 → 生成数据质量高GAN 学得好若分布差异大、峰谷错位明显 → 生成数据存在偏差GAN 学习不充分
那么如何评价好这个分布情况呢最好是采取定量指标KL散度我们以后有机会再说主要还使用在图像数据上的GAN
浙大疏锦行
