gans: 生成对抗网络

在 PyTorch 和 TensorFlow 中实现的多个生成对抗网络 (GAN)。

请查看这篇博客文章，了解生成网络的入门介绍。

经典 GAN

本项目中的经典 GAN 是基于 Goodfellow 等人发表的原始论文 生成对抗网络 开发的。

这些模型在 MNIST 数据集 上进行训练，通过一维向量表示来学习生成手写数字图像，从而处理二维输入图像。

• PyTorch 笔记本
• TensorFlow 笔记本

MNIST 类似生成图像在训练前后对比。

DCGAN

本仓库中的深度卷积生成对抗网络 (DCGAN) 是基于 Radford 等人发表的原始论文 使用深度卷积生成对抗网络进行无监督表征学习 开发的。

这些模型分别在 CIFAR10 和 MNIST 数据集上进行训练。它们直接使用三维图像表示（长度 × 高度 × 颜色通道）进行训练。

• TensorFlow CIFAR10 笔记本
• PyTorch CIFAR10 笔记本
• PyTorch MNIST 笔记本

CIFAR 类似生成图像在训练前后对比。

GANs 快速上手指南

本指南基于 gans 开源项目，帮助开发者快速在 PyTorch 和 TensorFlow 框架下运行生成对抗网络（GANs），包括 Vanilla GAN 和 DCGAN 模型。

环境准备

系统要求

• 操作系统: Linux, macOS 或 Windows
• Python 版本: Python 3.6+
• 硬件建议: 推荐使用 NVIDIA GPU 以加速训练（需安装 CUDA），但 CPU 亦可运行示例代码。

前置依赖

请确保已安装以下核心深度学习框架之一或全部：

• PyTorch
• TensorFlow
• Jupyter Notebook (用于运行提供的 .ipynb 教程)

建议通过国内镜像源安装依赖，以提升下载速度。

安装步骤

1. 克隆项目仓库

   git clone https://github.com/diegoalejogm/gans.git
   cd gans
   

2. 安装 Python 依赖

   如果项目中包含 requirements.txt，请使用以下命令（推荐配置清华源）：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   若无需特定文件，可手动安装核心库：

   pip install torch torchvision tensorflow jupyter matplotlib numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
   

3. 验证安装 启动 Jupyter Notebook 检查环境：

   jupyter notebook
   

基本使用

本项目主要通过 Jupyter Notebook 提供分步教程。启动 Notebook 后，根据需求选择对应的笔记本文件运行。

1. 运行 Vanilla GAN (基础生成对抗网络)

该模型基于 MNIST 数据集生成手写数字图像。

• PyTorch 版本: 打开并运行：1. Vanilla GAN PyTorch.ipynb

• TensorFlow 版本: 打开并运行：1. Vanilla GAN TensorFlow.ipynb

说明: 笔记本会自动下载 MNIST 数据集，执行训练循环，并展示训练前后的生成效果对比图。

2. 运行 DCGAN (深度卷积生成对抗网络)

该模型支持 CIFAR-10 和 MNIST 数据集，直接处理 3D 图像张量。

• CIFAR-10 数据集:

  • PyTorch: 运行 2. DC-GAN PyTorch.ipynb
  • TensorFlow: 运行 2. DC-GAN TensorFlow.ipynb

• MNIST 数据集:

  • PyTorch: 运行 2. DC-GAN PyTorch-MNIST.ipynb

说明: 代码将演示如何构建卷积生成器和判别器，并在训练过程中保存生成的样本图像（如 .images/dcgan_cifar_pt.png 所示效果）。

自定义实验

您可以直接修改 Notebook 中的超参数（如 learning_rate, batch_size, epochs）或替换数据集路径，以探索不同配置下的生成效果。所有核心逻辑均封装在 Notebook 单元格中，便于调试和学习。