围绕GAN的一个小开发

简介

高二的时候社团设计本来打算从底层搓一个 GAN，但后来训练太慢了就放弃了。现在重新用 PyTorch 实现，还结合了之前想用 Flet 写的一个项目，也算是填上了当年的坑。

参考资料

• 适合小白学习的 GAN（生成对抗网络）算法超详细解读 - CSDN
• 【论文必读#2: ADAM算法】史上最火梯度下降算法是如何炼成的？ - 哔哩哔哩

GAN 基本原理

GAN（Generative Adversarial Network，生成对抗网络）由两个网络组成：

• 生成器（Generator）：生成假数据，试图以假乱真；
• 判别器（Discriminator）：判断输入是真数据还是假数据。

两者不断对抗与优化，直至生成数据足够逼真。

卷积核常用参数

项目中采用 (4,2,1) 的卷积核，方便根据输入图片大小动态调整卷积层数。

防止训练崩溃的技巧

(1) 降低判别器学习率

1
2

optimizer_G = torch.optim.Adam(generator.parameters(), lr=0.0002, betas=(0.5, 0.999))
optimizer_D = torch.optim.Adam(discriminator.parameters(), lr=0.0001, betas=(0.5, 0.999))

(2) 让 G 训练更多次

1
2
3

for _ in range(2): 
    train_generator()  # 让 G 训练两次
train_discriminator()

(3) 使用 Label Smoothing（标签平滑）

1
2

real_labels = torch.full((batch_size,), 0.9)
fake_labels = torch.full((batch_size,), 0.0)

(4) 添加噪声

1

real_data += 0.05 * torch.randn_like(real_data)

(5) 使用 WGAN-GP

使用 Wasserstein GAN（WGAN） 或 WGAN-GP 可减少梯度消失问题：

1

loss = -torch.mean(D(real)) + torch.mean(D(fake))  # WGAN 损失

项目仓库

📦 GitHub Repo: Woor3x/GANForge