點擊上方“算法猿的成長“，關注公眾號，選擇加“星標“或“置頂”

總第 137 篇文章，本文大約 1000?字，閱讀大約需要 5?分鐘

今天介紹的一個開源的 github 項目，主要是實現了對 GAN 訓練過程的可視化代碼，項目鏈接如下：

https://github.com/EvgenyKashin/gan-vis

或者點擊文章底部“閱讀原文”，直接跳轉。

接下來是簡單介紹這份代碼的情況，基本實現的功能，效果等。

前言

這是一個簡單實現了學習和可視化 2d 的 GANs 的實驗代碼。在訓練了數十個小時的 StyleGAN 后，現在可以通過快速的迭代（30s 左右）來直觀的可視化一些超參數的情況（但是并不確定這種直觀情況是否可以適用于更大的 GAN 模型）。主要是受到 https://poloclub.github.io/ganlab/ 的啟發，但可能有人更希望在 Colab 中運行代碼。

可視化

對訓練的動態過程的可視化包括了：

• 真實數據的分布情況（黑色的點）

• 輸入固定的噪音，然后由 G 網絡生成的假數據；

• D 網絡對整個輸入空間的決策邊界，以及用不同顏色代表其輸出的概率（紅色代表判定為真實數據的可能性很高，藍色則是低）

• 綠色箭頭表示每個生成的數據點，最大化 D 網絡輸出的方向

可視化結果

接下來是展示可視化的一些效果：

沒有采用 batch-norm 的 G 和 D 的訓練情況

加入 batch-norm 的 G 和 D 的訓練情況

評價標準的可視化

第一行是訓練的過程（輸入是固定的噪音）以及多種評判標準（G 和 D 的梯度歸一化，losses 以及 D 對真假數據的輸出）。第二行展示了輸入噪音以及 G 網絡中間層的激活函數（映射為 2 維）

對輸入噪音的 G 網絡的轉換

可調試的選項

• 輸入數據的分布

• batch 大小，訓練的 epochs

• D 和 G 的學習率（可能是最重要的）

• D 和 G 的優化器

• 輸入噪音的分布

• 神經元的數量，激活函數

• 損失函數（BCE,L2)

• 權重初始化

• 正則化（batch-norm，dropout，權重衰減）

采用的是 CPU，因為對可視化的實驗已經滿足速度的要求。

未來的工作

• 增加更多的損失函數

• 增加更多的正則化技術

項目代碼可以直接訪問 github 查看，或者關注我的公眾號--【算法猿的成長】，在后臺回復“play_gans"，獲取代碼。

---

精選AI文章

1.??2020年計算機視覺學習指南

2.?是選擇Keras還是PyTorch開始你的深度學習之旅呢？

3.?編寫高效的PyTorch代碼技巧（上）

4.?編寫高效的PyTorch代碼技巧（下）

5.?深度學習算法簡要綜述(上)

6.?深度學習算法簡要綜述(下)

7.?10個實用的機器學習建議

8.?實戰|手把手教你訓練一個基于Keras的多標簽圖像分類器

精選python文章

1.??python數據模型

2.?python版代碼整潔之道

3.?快速入門 Jupyter notebook

4.?Jupyter 進階教程

5.?10個高效的pandas技巧

精選教程資源文章

1.?[資源分享] TensorFlow 官方中文版教程來了

2.?[資源]推薦一些Python書籍和教程，入門和進階的都有！

3.?[Github項目推薦] 推薦三個助你更好利用Github的工具

4.?Github上的各大高校資料以及國外公開課視頻

5.?GitHub上有哪些比較好的計算機視覺/機器視覺的項目？

歡迎關注我的微信公眾號--算法猿的成長，或者掃描下方的二維碼，大家一起交流，學習和進步！

?

如果覺得不錯，在看、轉發就是對小編的一個支持！

總結

以上是生活随笔為你收集整理的Github项目推荐|可视化 GAN 的训练过程的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。