跳转至

实验：生成对抗网络（GAN）

开始之前

我们在本次实验中使用Jupyter Notebook进行实验，请参考Jupyter Notebook使用，按照文档中详细步骤进行操作，完成Jupyter Notebook的配置。

实验任务

本次实验分为三个任务：GAN（约60分钟）、DCGAN（约45分钟）、WGAN（约45分钟）。

任务一：GAN

下载任务一代码

在这个任务中，你将：

  1. 了解 GAN（Generative adversarial network） 的基本概念
  2. 学会 构建 并 训练 GAN 模型，生成逼真的图像
  3. 了解GAN训练过程中可能遇到的问题及其解决方案
  4. 了解TensorBoard工具的基本用法

主要内容包括：

  • 数据准备

  • 构建 GAN 模型，包括生成器（Generator）与判别器（Discriminator）

  • 训练 GAN

  • 结果可视化

  • 使用TensorBoard记录训练过程中损失函数的变化趋势

通过本任务，你将学会用GAN（生成对抗网络）训练一个模型，使其能够输出手写数字图像

任务二：DCGAN

下载任务二代码

在这个任务中，你将：

  1. 了解 DCGAN（Deep Convolutional GAN） 的基本原理
  2. 掌握卷积、批归一化（BatchNorm）等在DCGAN中的应用
  3. 了解DCGAN训练过程中可能遇到的问题及其解决方案

主要内容包括：

  • 代码改进，包括卷积层替代全连接层、使用 BatchNorm、LeakyReLU 代替 ReLU、Tanh 作为生成器输出激活函数
  • 训练DCGAN
  • 结果可视化
  • 使用TensorBoard记录训练过程中损失函数的变化趋势
  • 对比不同之处，分析其架构和改进点

通过本任务，你将学会在第一部分的基础上，用DCGAN（Deep Convolutional GAN）来实现相同的目标

任务三：WGAN

下载任务三代码

在这个任务中，你将：

  1. 了解 WGAN（Wasserstein GAN） 的基本原理
  2. 学习如何通过 Wasserstein 距离优化 GAN 模型的训练稳定性
  3. 了解WGAN训练过程中可能遇到的问题及其解决方案

主要内容包括：

  • 代码改进，通过最小化 Wasserstein 距离来度量生成数据与真实数据分布之间的差异
  • 训练WGAN
  • 结果可视化
  • 使用TensorBoard记录训练过程中损失函数的变化趋势
  • 对比不同之处，分析其架构和改进点

通过本任务，你将学会在第二部分的基础上，用 WGAN（Wasserstein GAN）来实现相同的目标

实验提交

实验完成后，请提交以下材料：

  1. 运行成功的Jupyter Notebook文件
  2. 一份PDF报告，报告内容包括但不限于：
    1. 任务中的填充代码和相应实验结果
    2. 实验六思考题答案
    3. 实验心得与体会

提交说明

  1. 本次提交的内容为: 实验六要求提交的内容，具体要求请参见实验网站（https://zhiweinju.github.io/nju-dl-lab-2025spring/）
  2. 提交的报告文件请以PDF文件格式上传到selearning网站，上传文件的文件命名格式为: 学号_姓名_实验六.pdf，比如：123456789_张三_实验六.pdf
  3. 其他提交文件（如 运行成功的Jupyter Notebook文件），请加上前缀: 学号_姓名_，比如: 123456789_张三_lab6_GAN.ipynb
  4. 本次提交的截止时间为 4月11日23:59:59
  5. 对于迟交的处理: 迟交一周以内，折扣系数为0.8，迟交超过一周，折扣系数为0.6，超过一个月停止接收提交，尚未提交者本次作业计0分