欢迎大家来到咱们的深度学习CV项目实战专栏，GAN是当下非常热门的技术，本次我们给大家介绍如何来训练自己的第1个生成对抗网络项目。
作者&编辑 | 言有三
本项目结果展示
本文篇幅：4000字
背景要求：会使用Python和Pytorch深度学习开源框架
附带资料：开源代码一份，支持Pytorch
数据一份：文末有获取方法
1 项目背景
GAN无疑是这几年深度学习领域里最酷的技术，不管是理论的研究，还是GAN在图像生成，图像翻译，语音图像等基础领域的应用，都非常的丰富。我们公众号从很早以前开始就输出过非常多的GAN相关资源，包括免费与付费的视频课，知识星球中的GAN模型原理解读专题，公众号的GAN付费专栏，大家可以阅读下面的文章了解详情。
【总结】从视频到图文，代码实战，有三AI-GAN学习资料汇总！
2 项目解读
为了让大家能够快速上手，本次我们给大家介绍一个非常适合新手入门的项目，使用DCGAN来进行图片生成，项目效果如文章开头的图片。
2.1 数据获取
本次我们完成一个人脸表情图像生成的任务，使用的数据集也是多次在咱们的项目中出现过的数据集，我们选择了其中一类表情的数据，如下：
数据的读取非常简单，直接使用torchvision的ImageFolder接口即可，与我们以前介绍过的图像分类任务相同，核心代码如下，不再赘述。
## 读取数据
dataroot = "mouth/"
dataset = datasets.ImageFolder(root=dataroot,
transform=transforms.Compose([
transforms.Resize(image_size),
transforms.CenterCrop(image_size),
transforms.ToTensor(),
transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)),
]))
dataloader = torch.utils.data.DataLoader(dataset, batch_size=batch_size,
shuffle=True, num_workers=workers)
不熟悉的朋友可以阅读：【CV实战】年轻人的第一个深度学习CV项目应该是什么样的？（支持13大深度学习开源框架）
2.2 判别器定义
接下来我们再看判别器的定义，它就是一个图像分类模型，与原始DCGAN论文中的参数配置略有差异。
class Discriminator(nn.Module):
def __init__(self, ndf=64, nc=3):
super(Discriminator, self).__init__()
self.ndf = ndf
self.nc = nc
self.main = nn.Sequential(
# 输入图片大小 (nc) x 64 x 64，输出 (ndf) x 32 x 32
nn.Conv2d(nc, ndf, 4, 2, 1, bias=False),
nn.LeakyReLU(0.2, inplace=True),
# 输入(ndf) x 32 x 32，输出(ndf*2) x 16 x 16
nn.Conv2d(ndf, ndf * 2, 4, 2, 1, bias=False),
nn.BatchNorm2d(ndf * 2),
nn.LeakyReLU(0.2, inplace=True),
# 输入(ndf*2) x 16 x 16，输出 (ndf*4) x 8 x 8
nn.Conv2d(ndf * 2, ndf * 4, 4, 2, 1, bias=False),
nn.BatchNorm2d(ndf * 4),
nn.LeakyReLU(0.2, inplace=True),
# 输入(ndf*4) x 8 x 8，输出(ndf*8) x 4 x 4
nn.Conv2d(ndf * 4, ndf * 8, 4, 2, 1, bias=False),
nn.BatchNorm2d(ndf * 8),
nn.LeakyReLU(0.2, inplace=True),
# 输入(ndf*8) x 4 x 4，输出1 x 1 x 1
nn.Conv2d(ndf * 8, 1, 4, 1, 0, bias=False),
nn.Sigmoid()
)
def forward(self, input):
return self.main(input)
以上代码定义了一个包含5层卷积，其中前面4个卷积层的卷积核大小为4×4，宽和高的步长等于2，使用了padding技术，padding大小为1，每经过一次卷积，图像长宽都降低为原来的1/2。每一个卷积层后都跟随一个batch normalization层和lrelu层。
输出层也是一个卷积层，其特征图大小空间尺寸为4×4，卷积核大小也是4×4，所以输出空间层维度为1，使用sigmoid激活函数，输出就是一个0到1之间的概率值。
2.3 生成器定义
接下来我们再看生成器的定义，它输入一维的噪声向量，输出二维的图像。
## 定义生成器与判别器
class Generator(nn.Module):
def __init__(self, nz=100, ngf=64, nc=3):
super(Generator, self).__init__()
self.ngf = ngf
self.nz = nz
self.nc = nc
self.main = nn.Sequential(
# 输入噪声向量Z，(ngf*8) x 4 x 4特征图
nn.ConvTranspose2d( nz, ngf * 8, 4, 1, 0, bias=False),
nn.BatchNorm2d(ngf * 8),
nn.ReLU(True),
# 输入(ngf*8) x 4 x 4特征图，输出(ngf*8) x 4 x 4
nn.ConvTranspose2d(ngf * 8, ngf * 4, 4, 2, 1, bias=False),
nn.BatchNorm2d(ngf * 4),
nn.ReLU(True),
# 输入(ngf*4) x 8 x 8，输出(ngf*2) x 16 x 16
nn.ConvTranspose2d( ngf * 4, ngf * 2, 4, 2, 1, bias=False),
nn.BatchNorm2d(ngf * 2),
nn.ReLU(True),
# 输入(ngf*2) x 16 x 16，输出(ngf) x 32 x 32
nn.ConvTranspose2d( ngf * 2, ngf, 4, 2, 1, bias=False),
nn.BatchNorm2d(ngf),
nn.ReLU(True),
# 输入(ngf) x 32 x 32，输出(nc) x 64 x 64
nn.ConvTranspose2d( ngf, nc, 4, 2, 1, bias=False),
nn.Tanh()
)
def forward(self, input):
return self.main(input)
可以看出，总共包含5个上采样层。其中前4个上采样层后接有BN层，和ReLU层。第一个上采样层将输入的一维噪声向量经过一个上采样层生成4×4大小的图，然后经过后面的4个上采样层得到输出。前面4层的激活函数为ReLU，最后一层的激活函数为Tanh。
2.4 优化目标与方法定义
损失函数使用了BCE交叉熵损失，真样本和假样本标签分别为1和0。
# 损失函数
criterion = nn.BCELoss()
# 真假标签
real_label = 1.0
fake_label = 0.0
判别器和生成器都采用了Adam方法作为优化器，且使用了同样的配置，定义如下：
lr = 0.0003
beta1 = 0.5
optimizerD = optim.Adam(netD.parameters(), lr=lr, betas=(beta1, 0.999))
optimizerG = optim.Adam(netG.parameters(), lr=lr, betas=(beta1, 0.999))
3 模型训练
接下来进行模型训练，添加可视化部分，缓存中间结果，核心的迭代代码如下：
for epoch in range(num_epochs):
lossG = 0.0
lossD = 0.0
for i, data in enumerate(dataloader, 0):
############################
# (1) Update D network: maximize log(D(x)) log(1 - D(G(z)))
###########################
## 训练真实图片
netD.zero_grad()
real_data = data[0].to(device)
b_size = real_data.size(0)
label = torch.full((b_size,), real_label, device=device)
output = netD(real_data).view(-1)
# 计算真实图片损失，梯度反向传播
errD_real = criterion(output, label)
errD_real.backward()
D_x = output.mean().item()
## 训练生成图片
# 产生latent vectors
noise = torch.randn(b_size, nz, 1, 1, device=device)
# 使用G生成图片
fake = netG(noise)
label.fill_(fake_label)
output = netD(fake.detach()).view(-1)
# 计算生成图片损失，梯度反向传播
errD_fake = criterion(output, label)
errD_fake.backward()
D_G_z1 = output.mean().item()
# 累加误差，参数更新
errD = errD_real errD_fake
optimizerD.step()
############################
# (2) Update G network: maximize log(D(G(z)))
###########################
netG.zero_grad()
label.fill_(real_label) # 给生成图赋标签
# 对生成图再进行一次判别
output = netD(fake).view(-1)
# 计算生成图片损失，梯度反向传播
errG = criterion(output, label)
errG.backward()
D_G_z2 = output.mean().item()
optimizerG.step()
# Output training stats
if i % 50 == 0:
print('[%d/%d][%d/%d]tLoss_D: %.4ftLoss_G: %.4ftD(x): %.4ftD(G(z)): %.4f / %.4f'
% (epoch, num_epochs, i, len(dataloader),
errD.item(), errG.item(), D_x, D_G_z1, D_G_z2))
# 存储损失
nbatch = nbatch 1
lossG = lossG errG.item()
lossD = lossD errD.item()
# 对固定的噪声向量，存储生成的结果
if (iters % 20 == 0) or ((epoch == num_epochs-1) and (i == len(dataloader)-1)):
with torch.no_grad():
fake = netG(fixed_noise).detach().cpu()
img_list.append(vutils.make_grid(fake, padding=2, normalize=True))
i = vutils.make_grid(fake, padding=2, normalize=True)
fig = plt.figure(figsize=(8, 8))
plt.imshow(np.transpose(i, (1, 2, 0)))
plt.axis('off') # 关闭坐标轴
plt.savefig("out/%d_%d.png" % (epoch, iters))
plt.close(fig)
iters = 1
writer.add_scalar('data/lossG', lossG, epoch)
writer.add_scalar('data/lossD', lossD, epoch)
torch.save(netG.state_dict(),'models/netG.pt')
训练结果曲线如下：
由于标准GAN的损失与模型的生成结果之间的关系不像以前介绍的任务那么直观，我们应该以实际生成的图片结果为准，下面从左到右分别是第0，10，100个epoch的生成结果。
从图结果来看，随着训练的进行，逐渐生成了许多有意义且非常逼真的样本，在10个epoch的时候生成图片都有明显的瑕疵，到100个epoch时已经开始生成一些逼真的样本。不过最终生成的图像仍然有一部分效果很差，这是因为DCGAN本身模型性能所限，后续可以使用更好的模型进行改进。
4 模型测试
上面已经训练好了模型，我们接下来的目标，就是要用它来做推理，真正把模型用起来。
import torch
import torch.nn as nn
import torchvision.utils as vutils
import matplotlib.pyplot as plt
from net import Generator
device = torch.device("cuda:0" if (torch.cuda.is_available() and ngpu > 0) else "cpu")
netG = Generator().to(device)
## 载入模型权重
modelpath = sys.argv[1]
savepath = sys.argv[2]
netG.load_state_dict(torch.load(modelpath,map_location=lambda storage,loc: storage))
netG.eval() ## 设置推理模式，使得dropout和batchnorm等网络层在train和val模式间切换
torch.no_grad() ## 停止autograd模块的工作，以起到加速和节省显存
nz = 100
for i in range(0,100):
noise = torch.randn(64, nz, 1, 1, device=device)
fake = netG(noise).detach().cpu()
rows = vutils.make_grid(fake, padding=2, normalize=True)
fig = plt.figure(figsize=(8, 8))
plt.imshow(np.transpose(rows, (1, 2, 0)))
plt.axis('off') # 关闭坐标轴
plt.savefig(os.path.join(savepath,"%d.png" % (i)))
plt.close(fig)
推理的核心代码就是使用torch.load函数载入生成器模型，然后输入随机的噪声向量，得到生成的结果。
下面展示了一些结果。
从图中我们可以看到，总体的生成结果还是不错的，不过本次的任务还有许多可以提升的空间，包括但不限于：(1) 做更多的数据增强。(2) 改进模型。这些就留给读者去进行实验。
5 资源获取和拓展学习
本文的完整代码，可以在我们的开源项目中获取，项目地址如下。
https://github.com/longpeng2008/yousan.ai
