CGANConditional Generative Adversarial Nets

条件生成对抗网络（CGAN）， tensorflow实现

# -*- coding: utf-8 -*-
from __future__ import division print_function absolute_import
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import os
import cv2
import random

# os.environ[“CUDA_DEVICE_ORDER“] = “PCI_BUS_ID“
# os.environ[“CUDA_VISIBLE_DEVICES“] = “1“

flags = tf.app.flags
flags.DEFINE_integer（“iter“ 1000000 “Iteration to train [1000000]“）
flags.DEFINE_integer（“batch_size“ 64 “The size of batch images [64]“）
flags.DEFINE_string（“model_path“ ‘./model/cgan.model‘ “Save model path [‘./model/cgan.model‘]“）
flags.DEFINE_boolean（“is_train“ False “Train or test [False]“）
flags.DEFINE_integer（“test_number“ None “The number that want to generate if None generate randomly [None]“）
FLAGS = flags.FLAGS

mnist = input_data.read_data_sets（‘./MNIST_data‘ one_hot=True）
Z_dim = 100
X_dim = mnist.train.images.shape[1]
y_dim = mnist.train.labels.shape[1]
h_dim = 128


def xavier_init（size）:
    in_dim = size[0]
    xavier_stddev = 1. / tf.sqrt（in_dim / 2.）
    return tf.random_normal（shape=size stddev=xavier_stddev）


“““ Discriminator Net model “““
X = tf.placeholder（tf.float32 shape=[None 784]）
y = tf.placeholder（tf.float32 shape=[None y_dim]）

D_W1 = tf.Variable（xavier_init（[X_dim + y_dim h_dim]））
D_b1 = tf.Variable（tf.zeros（shape=[h_dim]））

D_W2 = tf.Variable（xavier_init（[h_dim 1]））
D_b2 = tf.Variable（tf.zeros（shape=[1]））

theta_D = [D_W1 D_W2 D_b1 D_b2]


def discriminator（x y）:
    inputs = tf.concat（axis=1 values=[x y]）
    D_h1 = tf.nn.relu（tf.matmul（inputs D_W1） + D_b1）
    D_logit = tf.matmul（D_h1 D_W2） + D_b2
    D_prob = tf.nn.sigmoid（D_logit）

    return D_prob D_logit


“““ Generator Net model “““
Z = tf.placeholder（tf.float32 shape=[None Z_dim]）

G_W1 = tf.Variable（xavier_init（[Z_dim + y_dim h_dim]））
G_b1 = tf.Variable（tf.zeros（shape=[h_dim]））

G_W2 = tf.Variable（xavier_init（[h_dim X_dim]））
G_b2 = tf.Variable（tf.zeros（shape=[X_dim]））

theta_G = [G_W1 G_W2 G_b1 G_b2]


def generator（z y）:
    inputs = tf.concat（axis=1 values=[z y]）
    G_h1 = tf.nn.relu（tf.matmul（inputs G_W1） + G_b1）
    G_log_prob = tf.matmul（G_h1 G_W2） + G_b2
    G_prob = tf.nn.sigmoid（G_log_prob）

    return G_prob


def sample_Z（m n）:
    return np.random.uniform（-1. 1. size=[m n]）


def plot（samples）:
    fig = plt.figure（figsize=（4 4））
    gs = gridspec.GridSpec（4 4）
    gs.update（wspace=0.05 hspace=0.05）

    for i sample in enumerate（samples）:
        ax = plt.subplot（gs[i]）
        plt.axis（‘off‘）
        ax.set_xticklabels（[]）
        ax.set_yticklabels（[]）
        ax.set_aspect（‘equal‘）
        plt.imshow（sample.reshape（28 28） cmap=‘Greys_r‘）
    return fig


G_sample = generator（Z y）
D_real D_logit_real = discriminator（X y）
D_fake D_logit_fake = discriminator（G_sample y）

D_loss_real

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       5453  2017-08-16 19:20  cgan_tensorflow.py

     文件        973  2017-08-27 12:57  README.md

----------- ---------  ---------- -----  ----

                 6426                    2