我是一个Keras机器学习的新手。我正在尝试理解生成对抗网络（GAN）。为此，我正在编写一个简单的示例。我使用以下函数生成数据：

def genReal(l):    realX = []    for i in range(l):        x = []        y = []        for i in np.arange(0.0, 1.0, 0.02):            x.append(i + np.random.normal(0,0.01))            y.append(-abs(i-0.5)+0.5+ np.random.normal(0,0.01))        data = np.array(list(zip(x, y)))        data = np.reshape(data, (100))        data.clip(0,1)        realX.append(data)    realX = np.array(realX)    return realX

使用此函数生成的数据看起来与以下示例相似：

现在，目标是训练一个神经网络来生成类似数据。对于GAN，我们需要一个生成器网络，我这样建模的：

generator = Sequential()generator.add(Dense(128, input_shape=(100,), activation='relu'))generator.add(Dropout(rate=0.2))generator.add(Dense(128, activation='relu'))generator.add(Dropout(rate=0.2))generator.add(Dense(100, activation='sigmoid'))generator.compile(loss='mean_squared_error', optimizer='adam')

还有一个判别器，看起来像这样：

discriminator = Sequential()discriminator.add(Dense(128, input_shape=(100,), activation='relu'))discriminator.add(Dropout(rate=0.2))discriminator.add(Dense(128, activation='relu'))discriminator.add(Dropout(rate=0.2))discriminator.add(Dense(1, activation='sigmoid'))discriminator.compile(loss='mean_squared_error', optimizer='adam')

组合模型如下：

ganInput = Input(shape=(100,))x = generator(ganInput)ganOutput = discriminator(x)GAN = Model(inputs=ganInput, outputs=ganOutput)GAN.compile(loss='binary_crossentropy', optimizer='adam')

我有一个生成噪声的函数（一个随机数组）

def noise(l):   noise = np.array([np.random.uniform(0, 1, size=[l, ])])   return noise

然后我训练模型：

for i in range(1000000):    fake = generator.predict(noise(100))    print(i, "==>", discriminator.predict(fake))    discriminator.train_on_batch(genReal(1), np.array([1]))    discriminator.train_on_batch(fake, np.array([0]))    discriminator.trainable = False    GAN.train_on_batch(noise(100), np.array([1]))    discriminator.trainable = True

如你所见，我已经尝试了100万次迭代来训练模型。但生成器在不同输入下输出的数据看起来是这样的：

这显然不是我想要的结果。所以我的问题是：100万次迭代还不够，还是我的程序概念有问题？

编辑：

这是我用于绘制数据的函数：

def plotData(data):    x = np.reshape(data,(50,2))    x = x.tolist()    plt.scatter(list(zip(*x))[0],list(zip(*x))[1], c=col)

回答：

你的实现问题在于discriminator.trainable = False在编译discriminator之后没有任何效果。因此，当你执行GAN.train_on_batch时，所有的权重（包括判别器和生成器网络的权重）都是可训练的。

解决这个问题的方法是在编译discriminator之后，编译GAN之前立即设置discriminator.trainable = False：

discriminator.compile(loss='mean_squared_error', optimizer='adam')    discriminator.trainable = FalseganInput = Input(shape=(100,))x = generator(ganInput)ganOutput = discriminator(x)GAN = Model(inputs=ganInput, outputs=ganOutput)GAN.compile(loss='binary_crossentropy', optimizer='adam')

注意。我已经绘制了你的数据，看起来更像是这样：