上一节，我们已经建立好了模型所必需的鉴别器类与Dataset类。
使用PyTorch构建GAN生成对抗网络源码（详细步骤讲解+注释版）02 人脸识别 上
接下来，我们测试一下鉴别器是否可以正常工作，并建立生成器。
1 测试鉴别器
# 数据类建立 celeba_dataset = CelebADataset(r'F:\学习\AI\对抗网络\face-data\celeba_aligned_small.h5py') celeba_dataset.plot_image(66) # 鉴别器类建立 D = Discriminator() D.to(device) for image_data_tensor in celeba_dataset: # real data D.train(image_data_tensor, torch.cuda.FloatTensor([1.0])) # fake data D.train(generate_random_image((218,178,3)), torch.cuda.FloatTensor([0.0]))
此处我们调用了两个类，一个是celeba_dataset(Dataset)类，一个是D(Discriminator)类。两个类在博文的上篇中完成了定义。此处分别使用real数据与fake数据对模型进行训练。fake数据使用的是随机生成的不规则像素点，real数据使用的是真是人脸数据。
在使用GPU的情况，此处预计会消耗5分钟左右。
训练完成后，可以绘制损失值的变化以查看训练效果。
D.plot_progress() plt.show()
2 建立生成器
生成器与鉴别器高度类似，仅网络的结构和训练部分略有不同。
网格结构选取的是输入层为100个节点，中间层为单层结构，包含3*10*10个节点，输出层为3 * 218 * 178。输出层是完全根据照片的像素格式来确定的，输入层与中间层可以根据经验进行修改与优化。各层之间均采用全连接的连接方式。相关部分的代码如下：
class Generator(nn.Module): def __init__(self): # 父类继承 super().__init__() # 定义神经网络 self.model = nn.Sequential( nn.Linear(100, 3 * 10 * 10), nn.LeakyReLU(), nn.LayerNorm(3 * 10 * 10), nn.Linear(3 * 10 * 10, 3 * 218 * 178), nn.Sigmoid(), View((218, 178, 3)) )
在进行损失计算时，我们将鉴别器的返回值作为实际输出，将torch.cuda.FloatTensor([1.0]作为目标输出，来计算损失。相关比分的代码如下：
class Generator(nn.Module): def train(self, D, inputs, targets): # 计算输出 g_output = self.forward(inputs) # 将输出传至鉴别器 d_output = D.forward(g_output) # 计算损失 loss = D.loss_function(d_output, targets)
对于生成器的完整代码，也将在文末进行提供。
3 测试生成器
未经训练的生成器，应该具备生成类似雪花马赛克的随机图像能力。下面建立了一个生成器类，并用未经训练的生成器直接输出图像。
G = Generator() G.to(device) output = G.forward(generate_random_seed(100)) img = output.detach().cpu().numpy() plt.imshow(img, interpolation='none', cmap='Blues') plt.show()
如果代码运行正常，应得到类似下面的图象。
4 训练生成器
训练时，对数据集进行遍历，并且依次执行下面三步：
使用真实照片数据，对鉴别器进行训练，期望的鉴别器输出值为1；
使用生成器输出的fake数据，对鉴别器进行训练，期望的鉴别器输出值为0；
使用鉴别器的返回值，训练生成器，生成器所希望的鉴别器输出为1
具体代码如下：
for image_data_tensor in celeba_dataset: # train discriminator on true D.train(image_data_tensor, torch.cuda.FloatTensor([1.0])) # train discriminator on false # use detach() so gradients in G are not calculated D.train(G.forward(generate_random_seed(100)).detach(), torch.cuda.FloatTensor([0.0])) # train generator G.train(D, generate_random_seed(100), torch.cuda.FloatTensor([1.0]))
在训练后，可以分别查看鉴别器与生成器的损失变化曲线。
D.plot_progress() G.plot_progress()
下图为鉴别器损失值变化曲线
下图为生成器损失值变化曲
5 使用生成器
6 内存查看
最后可以查看一下本次训练的内存使用情况
（1）分配给张量的当前内存（输出单位是GB）
torch.cuda.memory_allocated(device) / (1024*1024*1024)
我的输出结果为：0.6999950408935547
（2）分配给张量的总内存（输出单位是GB）
torch.cuda.max_memory_allocated(device) / (1024*1024*1024)
我的输出结果为：0.962151050567627
（3）内存消耗汇总
print(torch.cuda.memory_summary(device, abbreviated=True)) 1
输出结果如下：
|===========================================================================| | PyTorch CUDA memory summary, device ID 0 | |---------------------------------------------------------------------------| | CUDA OOMs: 0 | cudaMalloc retries: 0 | |===========================================================================| | Metric | Cur Usage | Peak Usage | Tot Alloc | Tot Freed | |---------------------------------------------------------------------------| | Allocated memory | 733998 KB | 985 MB | 14018 GB | 14017 GB | |---------------------------------------------------------------------------| | Active memory | 733998 KB | 985 MB | 14018 GB | 14017 GB | |---------------------------------------------------------------------------| | GPU reserved memory | 1086 MB | 1086 MB | 1086 MB | 0 B | |---------------------------------------------------------------------------| | Non-releasable memory | 9426 KB | 12685 KB | 353393 MB | 353383 MB | |---------------------------------------------------------------------------| | Allocations | 68 | 87 | 2580 K | 2580 K | |---------------------------------------------------------------------------| | Active allocs | 68 | 87 | 2580 K | 2580 K | |---------------------------------------------------------------------------| | GPU reserved segments | 15 | 15 | 15 | 0 | |---------------------------------------------------------------------------| | Non-releasable allocs | 11 | 14 | 1410 K | 1410 K | |---------------------------------------------------------------------------| | Oversize allocations | 0 | 0 | 0 | 0 | |---------------------------------------------------------------------------| | Oversize GPU segments | 0 | 0 | 0 | 0 | |===========================================================================|
