为了深入了解生成对抗网络，我正在尝试使用张量流基于此Stanford university assignment为MNIST数据集自己实现GAN。
我仔细检查并研究了针对给定练习的解决方案，并通过了测试。但是，我的发电机只会产生噪音。
我非常确定我正确地使用了辅助函数，所有测试都通过了，并且我在网上找到了显示完全相同的实现的参考。所以在可能的地方
出问题的只是鉴别器和生成器架构：
def discriminator(x):
with tf.variable_scope("discriminator"):
l_1 = leaky_relu(tf.layers.dense(x, 256, activation=None))
l_2 = leaky_relu(tf.layers.dense(l_1, 256, activation=None))
logits = tf.layers.dense(l_2, 1, activation=None)
return logits
def generator(z):
with tf.variable_scope("generator"):
l_1 = tf.maximum(tf.layers.dense(z, 1024, activation=None), 0)
l_2 = tf.maximum(tf.layers.dense(l_1, 1024, activation=None), 0)
img = tf.tanh(tf.layers.dense(l_2, 784, activation=None))
return img
我看到生成器和鉴别器错误在第一次迭代中下降到接近零。
Iter: 0, D: 1.026, G:0.6514
Iter: 50, D: 2.721e-05, G:5.066e-06
Iter: 100, D: 1.099e-05, G:3.084e-06
Iter: 150, D: 7.546e-06, G:1.946e-06
Iter: 200, D: 3.386e-06, G:1.226e-06
...
学习率较低，例如
1e-7，对于鉴别器和发生器，误码率会缓慢下降，但最终会降为零，并且只会产生噪声。Iter: 0, D: 1.722, G:0.6772
Iter: 50, D: 1.704, G:0.665
Iter: 100, D: 1.698, G:0.661
Iter: 150, D: 1.663, G:0.6594
Iter: 200, D: 1.661, G:0.6574
...
我在实验中启动并运行了tensorflow图，但到目前为止无法解释其中的任何有意义的内容。
如果您有任何建议或可以推荐调试技术，我将很高兴听到它。
根据要求，这是我的GAN代码-损失：
def gan_loss(logits_real, logits_fake):
labels_real = tf.ones_like(logits_real)
labels_fake = tf.zeros_like(logits_fake)
d_loss_real = tf.nn.sigmoid_cross_entropy_with_logits(logits=logits_real, labels=labels_real)
d_loss_fake = tf.nn.sigmoid_cross_entropy_with_logits(logits=logits_fake, labels=labels_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=logits_fake, labels=labels_fake))
return D_loss, G_loss
最佳答案
据我了解这个模型，你应该改变这个：
G_loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(
logits=logits_fake, labels=labels_fake))
对此：
G_loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(
logits=logits_fake, labels=tf.ones_like(logits_fake)))
关于python - (MNIST-GAN)鉴别器和生成器错误在第一次迭代后下降到接近零，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/46731089/