志成网站设计制作,网站建设加入购买按钮,网页和网站做哪个好,做网站都需要学什么对抗生成网络GAN 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 GAN 的核心在于 对抗训练… 对抗生成网络GAN 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 GAN 的核心在于 对抗训练由两个动态博弈的神经网络组成 生成器Generator, G负责生成假数据如假币目标是骗过判别器。 判别器Discriminator, D负责区分真实数据和生成数据如警察辨真假目标是提高判别准确率 损失从何而来 判别器的损失来自分类任务区分真实数据 vs. 生成数据生成器的损失来自判别器的反馈生成数据被判别为“假”时损失大反之损失小 损失如何定义 判别器损失D Loss真实数据判为“真” 生成数据判为“假” → 二分类交叉熵BCE生成器损失G Loss生成数据被判别为“真” → 反向传播优化生成器 选用鸢尾花数据集来举个例子 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]}) 1、生成器 # (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 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时候会方便很多不用像之前那样 sequential适合线性顺序执行的网络。但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()方法比如 def forward(self, x):identity xout 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) 2、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) 之前的激活函数都是用的标准ReLUf(x) max(0, x)但当输入为负时输出全部置为零此时梯度为零更新不了参数这就是神经元死亡问题 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))# --- 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 ---)# --- 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)) GAN 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 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 import numpy as np
import pandas as pd
import torch
import torch.nn as nn
from torch.utils.data import DataLoader, TensorDataset
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import f1_score, classification_report
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings(ignore)# 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})# 加载数据
data pd.read_csv(/kaggle/input/heart12/heart (3).csv)
X data.drop(target, axis1).values
y data[target].values# 查看类别分布
print(pd.Series(y).value_counts()) # 假设1是少数类病人# 标准化
scaler StandardScaler()
X scaler.fit_transform(X)# 分割数据集
X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42)# 转换为PyTorch张量
X_train torch.FloatTensor(X_train)
y_train torch.LongTensor(y_train)
X_test torch.FloatTensor(X_test)
y_test torch.LongTensor(y_test)# 提取少数类样本病人但其实病人样本更多但题目要求生成病人样本硬做呗
minority_samples X_train[y_train 1]
minority_labels y_train[y_train 1] # 参数设置
input_dim X.shape[1] # 特征维度
latent_dim 100 # 噪声维度
epochs 5000
batch_size 64
lr 0.0002
BETA1 0.5class Generator(nn.Module):def __init__(self, input_dim, output_dim):super().__init__()self.model nn.Sequential(nn.Linear(input_dim, 128),nn.LeakyReLU(0.2),nn.Linear(128, 256),nn.LeakyReLU(0.2),nn.Linear(256, output_dim),nn.Tanh() # 使用Tanh将输出缩放到[-1,1])def forward(self, x):return self.model(x)class Discriminator(nn.Module):def __init__(self, input_dim):super().__init__()self.model nn.Sequential(nn.Linear(input_dim, 256),nn.LeakyReLU(0.2),nn.Dropout(0.3),nn.Linear(256, 128),nn.LeakyReLU(0.2),nn.Dropout(0.3),nn.Linear(128, 1),nn.Sigmoid())def forward(self, x):return self.model(x)# 初始化模型
G Generator(latent_dim, input_dim).to(device)
D Discriminator(input_dim).to(device)# 损失函数和优化器
criterion nn.BCELoss()
G_optimizer torch.optim.Adam(G.parameters(), lrlr, betas(BETA1, 0.999))
D_optimizer torch.optim.Adam(D.parameters(), lrlr, betas(BETA1, 0.999)) # 准备真实数据少数类
real_data minority_samples
real_labels torch.ones(len(real_data), 1)# 训练GAN
for epoch in range(epochs):# 训练判别器D_optimizer.zero_grad()# 真实数据real_output D(real_data)d_loss_real criterion(real_output, torch.ones_like(real_output))# 生成数据noise torch.randn(len(real_data), latent_dim)fake_data G(noise)fake_output D(fake_data.detach())d_loss_fake criterion(fake_output, torch.zeros_like(fake_output))d_loss d_loss_real d_loss_faked_loss.backward()D_optimizer.step()# 训练生成器G_optimizer.zero_grad()noise torch.randn(len(real_data), latent_dim)fake_data G(noise)fake_output D(fake_data)g_loss criterion(fake_output, torch.ones_like(fake_output))g_loss.backward()G_optimizer.step()if epoch % 500 0:print(fEpoch {epoch}, D Loss: {d_loss.item()}, G Loss: {g_loss.item()})# 生成新样本
num_samples abs(len(y_train[y_train 0]) - len(y_train[y_train 1])) # 生成足够样本使类别平衡绝对值保护一下因为最开始病人其实更多
noise torch.randn(num_samples, latent_dim)
generated_samples G(noise).detach().numpy()
generated_labels np.ones(num_samples) # 原始数据训练
rf_original RandomForestClassifier()
rf_original.fit(X_train, y_train)
y_pred_original rf_original.predict(X_test)
print(Original Data F1 Score:, f1_score(y_test, y_pred_original))
print(classification_report(y_test, y_pred_original))# 增强数据训练
X_train_augmented np.concatenate([X_train, generated_samples])
y_train_augmented np.concatenate([y_train.numpy(), generated_labels])rf_augmented RandomForestClassifier()
rf_augmented.fit(X_train_augmented, y_train_augmented)
y_pred_augmented rf_augmented.predict(X_test)
print(Augmented Data F1 Score:, f1_score(y_test, y_pred_augmented))
print(classification_report(y_test, y_pred_augmented)) Original Data F1 Score: 0.8615384615384615precision recall f1-score support0 0.86 0.83 0.84 291 0.85 0.88 0.86 32accuracy 0.85 61macro avg 0.85 0.85 0.85 61
weighted avg 0.85 0.85 0.85 61Augmented Data F1 Score: 0.84375precision recall f1-score support0 0.83 0.83 0.83 291 0.84 0.84 0.84 32accuracy 0.84 61macro avg 0.84 0.84 0.84 61
weighted avg 0.84 0.84 0.84 61 结果反而更差了这个数据集健康样本138病人样本165不平衡问题不显著GAN相当于过采样了而且还生成的是病人样本过度处理不平衡更不合理了 浙大疏锦行
