由于我目前没有时间维护该仓库，它已经不再更新。如果您希望以协作者的身份继续开发，请发送邮件至 eriklindernoren@gmail.com。

Keras-GAN

本仓库收集了基于研究论文提出的生成对抗网络（GAN）的 Keras 实现。这些模型在某些情况下是对论文中最终描述版本的简化，但我更倾向于覆盖核心思想，而非完全复现每一层的配置。欢迎各位贡献代码或提出新的 GAN 变体实现建议。

另请参阅： PyTorch-GAN

目录

• 安装
• 实现
  • 辅助分类器 GAN
  • 对抗自编码器
  • 双向 GAN
  • 边界搜索 GAN
  • 条件 GAN
  • 上下文条件 GAN
  • 上下文编码器
  • 耦合 GAN
  • CycleGAN
  • 深度卷积 GAN
  • DiscoGAN
  • DualGAN
  • 生成对抗网络
  • InfoGAN
  • LSGAN
  • Pix2Pix
  • PixelDA
  • 半监督 GAN
  • 超分辨率 GAN
  • Wasserstein GAN
  • Wasserstein GAN GP

安装

$ git clone https://github.com/eriklindernoren/Keras-GAN
$ cd Keras-GAN/
$ sudo pip3 install -r requirements.txt

实现

AC-GAN

实现 辅助分类器生成对抗网络。

代码

论文：https://arxiv.org/abs/1610.09585

示例

$ cd acgan/
$ python3 acgan.py

对抗自编码器

实现 对抗自编码器。

代码

论文：https://arxiv.org/abs/1511.05644

示例

$ cd aae/
$ python3 aae.py

BiGAN

实现 双向生成对抗网络。

代码

论文：https://arxiv.org/abs/1605.09782

示例

$ cd bigan/
$ python3 bigan.py

BGAN

实现 边界搜索生成对抗网络。

代码

论文：https://arxiv.org/abs/1702.08431

示例

$ cd bgan/
$ python3 bgan.py

CC-GAN

实现 基于上下文条件生成对抗网络的半监督学习。

代码

论文：https://arxiv.org/abs/1611.06430

示例

$ cd ccgan/
$ python3 ccgan.py

CGAN

实现 条件生成对抗网络。

代码

论文：https://arxiv.org/abs/1411.1784

示例

$ cd cgan/
$ python3 cgan.py

上下文编码器

实现 上下文编码器：通过修复进行特征学习。

代码

论文：https://arxiv.org/abs/1604.07379

示例

$ cd context_encoder/
$ python3 context_encoder.py

CoGAN

实现 耦合生成对抗网络。

代码

论文：https://arxiv.org/abs/1606.07536

示例

$ cd cogan/
$ python3 cogan.py

CycleGAN

实现 使用循环一致性对抗网络进行无配对图像到图像转换。

代码

论文：https://arxiv.org/abs/1703.10593

示例

$ cd cyclegan/
$ bash download_dataset.sh apple2orange
$ python3 cyclegan.py

DCGAN

实现 深度卷积生成对抗网络。

代码

论文：https://arxiv.org/abs/1511.06434

示例

$ cd dcgan/
$ python3 dcgan.py

DiscoGAN

实现 利用生成对抗网络学习跨域关系。

代码

论文：https://arxiv.org/abs/1703.05192

示例

$ cd discogan/
$ bash download_dataset.sh edges2shoes
$ python3 discogan.py

DualGAN

实现 DualGAN：用于图像到图像转换的无监督双学习。

代码

论文：https://arxiv.org/abs/1704.02510

示例

$ cd dualgan/
$ python3 dualgan.py

GAN

实现 生成对抗网络，采用 MLP 架构的生成器和判别器。

代码

论文：https://arxiv.org/abs/1406.2661

示例

$ cd gan/
$ python3 gan.py

InfoGAN

实现 InfoGAN：通过信息最大化生成对抗网络实现可解释的表征学习。

代码

论文：https://arxiv.org/abs/1606.03657

示例

$ cd infogan/
$ python3 infogan.py

LSGAN

实现 最小二乘生成对抗网络。

代码

论文：https://arxiv.org/abs/1611.04076

示例

$ cd lsgan/
$ python3 lsgan.py

Pix2Pix

实现 基于条件对抗网络的图像到图像转换。

代码

论文：https://arxiv.org/abs/1611.07004

示例

$ cd pix2pix/
$ bash download_dataset.sh facades
$ python3 pix2pix.py

PixelDA

《基于生成对抗网络的无监督像素级域适应》的实现。

代码

论文：https://arxiv.org/abs/1612.05424

MNIST 到 MNIST-M 分类

在经过无监督图像到图像域适应处理、使其外观类似于 MNIST-M 的 MNIST 图像上训练分类器。将该模型与直接在 MNIST 上训练并在 MNIST-M 上评估的朴素方法进行对比。朴素模型在 MNIST-M 上的分类准确率为 55%，而通过域适应训练得到的模型则达到了 95% 的分类准确率。

$ cd pixelda/
$ python3 pixelda.py

方法	准确率
朴素方法	55%
PixelDA	95%

SGAN

《半监督生成对抗网络》的实现。

代码

论文：https://arxiv.org/abs/1606.01583

示例

$ cd sgan/
$ python3 sgan.py

SRGAN

《基于生成对抗网络的逼真单幅图像超分辨率》的实现。

代码

论文：https://arxiv.org/abs/1609.04802

示例

$ cd srgan/
<按照 srgan.py 文件顶部的步骤操作>
$ python3 srgan.py

WGAN

《Wasserstein GAN》的实现（使用 DCGAN 架构的生成器和判别器）。

代码

论文：https://arxiv.org/abs/1701.07875

示例

$ cd wgan/
$ python3 wgan.py

WGAN GP

《改进 Wasserstein GAN 的训练》的实现。

代码

论文：https://arxiv.org/abs/1704.00028

示例

$ cd wgan_gp/
$ python3 wgan_gp.py

Keras-GAN 快速上手指南

Keras-GAN 是一个汇集了多种生成对抗网络（GAN）研究论文实现的代码库。它基于 Keras 框架，提供了从基础 GAN 到 CycleGAN、Pix2Pix 等高级模型的简化版实现，旨在帮助开发者快速理解核心思想并进行实验。

注意：该仓库目前处于非活跃维护状态（Stale），但代码仍具有极高的学习和参考价值。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows (推荐 Linux)
• Python 版本：Python 3.6+
• 核心依赖：
  • TensorFlow (后端)
  • Keras
  • NumPy, SciPy, Pillow, Matplotlib 等科学计算库
• 硬件建议：虽然可在 CPU 上运行，但训练 GAN 模型强烈建议使用 NVIDIA GPU 并安装 CUDA 加速。

安装步骤

1. 克隆项目

使用 Git 将代码库下载到本地：

git clone https://github.com/eriklindernoren/Keras-GAN
cd Keras-GAN/

2. 安装依赖

安装项目所需的 Python 包。

标准安装：

sudo pip3 install -r requirements.txt

国内加速安装（推荐）： 如果您在中国大陆，建议使用清华源或阿里源以加快下载速度：

pip3 install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

该项目包含多种 GAN 模型实现，每个模型位于独立的文件夹中。以下以最经典的 DCGAN (Deep Convolutional GAN) 为例演示如何运行。

1. 进入模型目录

切换到对应的模型文件夹：

cd dcgan/

2. 运行示例

直接运行 Python 脚本即可开始训练（默认会使用 MNIST 数据集，脚本会自动处理数据加载）：

python3 dcgan.py

3. 查看结果

程序运行后，会在当前目录下生成训练过程中的图像样本。随着训练迭代次数增加，生成的图像质量将逐渐提升。

---

其他模型运行示例

项目支持多种变体，使用方法类似。部分模型需要额外下载数据集：

• CycleGAN (风格迁移):

  cd cyclegan/
  bash download_dataset.sh apple2orange
  python3 cyclegan.py
  

• Pix2Pix (图像翻译):

  cd pix2pix/
  bash download_dataset.sh facades
  python3 pix2pix.py
  

• AC-GAN (辅助分类器):

  cd acgan/
  python3 acgan.py
  

您可以查阅项目根目录的 Implementations 列表，探索更多如 WGAN, InfoGAN, SRGAN 等模型的具体用法。