initializer总结:
#f.constant_initializer(value)
将变量初始化为给定的常量,初始化一切所提供的值。
#tf.random_normal_initializer(mean,stddev)
功能是将变量初始化为满足正态分布的随机值，主要参数（正太分布的均值和标准差），用所给的均值和标准差初始化均匀分布。
#tf.truncated_normal_initializer(mean,stddev,seed,dtype)
mean:用于指定均值； stddev用于指定标准差；
seed:用于指定随机数种子； dtype：用于指定随机数的数据类型。
功能：将变量初始化为满足正态分布的随机值，但如果随机出来的值偏离平均值超过2个标准差，那么这个数将会被重新随机，通常只需要设定一个标准差stddev这一个参数就可以。 #tf.random_uniform_initializer(a,b,seed,dtype) #从a到b均匀初始化，将变量初始化为满足平均分布的随机值，主要参数（最大值，最小值）
优化器构造：
1）.compute_gradients(loss,var_list=None,gate_gradients=GATE_OP,aggregation_method=None,colocate_gradients_with_ops=False,grad_loss=None)
作用：对于在变量列表（var_list）中的变量计算对于损失函数的梯度,这个函数返回一个（梯度，变量）对的列表，其中梯度就是相对应变量的梯度了。这是minimize()函数的第一个部分，
参数：
loss: 待减小的值
var_list: 默认是在GraphKey.TRAINABLE_VARIABLES.
2）.apply_gradients(grads_and_vars,global_step=None,name=None)
作用：把梯度“应用”（Apply）到变量上面去。其实就是按照梯度下降的方式加到上面去。这是minimize（）函数的第二个步骤。 返回一个应用的操作。
参数:
grads_and_vars: compute_gradients()函数返回的(gradient, variable)对的列表
global_step: Optional Variable to increment by one after the variables have been updated.
3）.minimize(loss,global_step=None,var_list=None,gate_gradients=GATE_OP,aggregation_method=None,colocate_gradients_with_ops=False,name=None,grad_loss=None)
变量初始化：
sess.run(tf.global_variables_initializer())
函数中调用了 variable_initializer() 和 global_variables()
global_variables() 返回一个 Variable list ，里面保存的是 gloabal variables。variable_initializer() 将 Variable list 中的所有 Variable 取出来，将其 variable.initializer 属性做成一个 op group。然后看 Variable 类的源码可以发现， variable.initializer 就是一个 assign op。
所以： sess.run(tf.global_variables_initializer()) 就是 run了所有global Variable 的 assign op，这就是初始化参数的本来面目。
废话不多说，上代码。
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import os
from tensorflow.examples.tutorials.mnist import input_data os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' sess = tf.InteractiveSession() mb_size = 128
Z_dim = 100
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)#mnist数据集 one_hot是为了让标签二元，即只有0和1. def weight_var(shape, name): #定义权重，传入权重shape和name
return tf.get_variable(name=name, shape=shape, initializer=tf.contrib.layers.xavier_initializer())
def bias_var(shape, name):#定义偏置，传入偏置shape和name
return tf.get_variable(name=name, shape=shape, initializer=tf.constant_initializer(0))
# discriminater net
X = tf.placeholder(tf.float32, shape=[None, 784], name='X') #样本x的shape是【batchsize】【784】
D_W1 = weight_var([784, 128], 'D_W1') #D的中间层的w1
D_b1 = bias_var([128], 'D_b1')
D_W2 = weight_var([128, 1], 'D_W2')#D的输出层的w2
D_b2 = bias_var([1], 'D_b2')
theta_D = [D_W1, D_W2, D_b1, D_b2]#D的参数列表 # generator net
Z = tf.placeholder(tf.float32, shape=[None, 100], name='Z')#随机噪声向量z的shape是【batchsize】【100】
G_W1 = weight_var([100, 128], 'G_W1')#D的中间层的w1
G_b1 = bias_var([128], 'G_B1')
G_W2 = weight_var([128, 784], 'G_W2')#D的输出层的w2
G_b2 = bias_var([784], 'G_B2')
theta_G = [G_W1, G_W2, G_b1, G_b2]#G的参数列表 def generator(z): #定义G，传入随机噪声z，返回G的输出。
G_h1 = tf.nn.relu(tf.matmul(z, G_W1) + G_b1) #G_h1中间层经过激活函数后的输出。
G_log_prob = tf.matmul(G_h1, G_W2) + G_b2 #G输出层没有经过激活函数的输出。
G_prob = tf.nn.sigmoid(G_log_prob)#G输出层经过激活函数后的输出。
return G_prob def discriminator(x):#定义D，传入样本x，返回D的输出和没有经过激活函数的输出。
D_h1 = tf.nn.relu(tf.matmul(x, D_W1) + D_b1)#D_h1中间层经过激活函数后的输出
D_logit = tf.matmul(D_h1, D_W2) + D_b2#D输出层没有经过激活函数的输出
D_prob = tf.nn.sigmoid(D_logit)#D输出层经过激活函数后的输出
return D_prob, D_logit G_sample = generator(Z) #调用generator(z)生成G样本
D_real, D_logit_real = discriminator(X)#discriminator(x)辨别样本
D_fake, D_logit_fake = discriminator(G_sample) # D_loss = -tf.reduce_mean(tf.log(D_real) + tf.log(1. - D_fake))
# G_loss = -tf.reduce_mean(tf.log(D_fake)) D_loss_real = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(
logits=D_logit_real, labels=tf.ones_like(D_logit_real))) #使用交叉熵代价函数，D的目标：对于真实样本，target=1
tf.summary.scalar("D_loss_real", D_loss_real) D_loss_fake = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(
logits=D_logit_fake, labels=tf.zeros_like(D_logit_fake)))#使用交叉熵代价函数，D的目标：对于生成器生成的样本，target=0
tf.summary.scalar("D_loss_fake", D_loss_fake)
D_loss = D_loss_real + D_loss_fake #D最后的损失函数为D(真)+D(假) G_loss = tf.reduce_mean(tf.nn.sigmoid_cross_entropy_with_logits(
logits=D_logit_fake, labels=tf.ones_like(D_logit_fake)))#使用交叉熵代价函数，G的目标：对于生成器生成的样本，target=1
tf.summary.scalar("G_loss", G_loss) D_optimizer = tf.train.GradientDescentOptimizer(0.002).minimize(D_loss, var_list=theta_D)
G_optimizer = tf.train.GradientDescentOptimizer(0.002).minimize(G_loss, var_list=theta_G)
# init variables
sess.run(tf.global_variables_initializer())
def sample_Z(m, n):#随机噪声向量的生成，维度为m*n
return np.random.uniform(-1., 1., size=[m, n]) def plot(samples):#画图
fig = plt.figure(figsize=(4, 4))
gs = gridspec.GridSpec(4, 4)
gs.update(wspace=0.05, hspace=0.05)
for i, sample in enumerate(samples): # [i,samples[i]] imax=16
ax = plt.subplot(gs[i])
plt.axis('off')
ax.set_xticklabels([])
ax.set_yticklabels([])
ax.set_aspect('equal')
plt.imshow(sample.reshape(28, 28), cmap='Greys_r')
return fig if not os.path.exists('out/'):
os.makedirs('out/')
i = 0 summary_op = tf.summary.merge_all()
writer = tf.summary.FileWriter("E:\Program Files\PycharmProjects\mnist_gan",sess.graph) for it in range(1000000):
if it % 1000 == 0:
samples = sess.run(G_sample, feed_dict={
Z: sample_Z(16, Z_dim)})#生成一个维度为16*100的向量，其值是-1.——1.的随机值。
fig = plot(samples)
plt.savefig('out/{}.png'.format(str(i).zfill(3)), bbox_inches='tight')
i += 1
plt.close(fig) X_mb, _ = mnist.train.next_batch(mb_size)#调用了mnist里的方法，返回x和label _, D_loss_curr = sess.run([D_optimizer, D_loss], feed_dict={#run(D_optimizer)，开始进行梯度下降。#run(D_loss),获得d_loss值
X: X_mb, Z: sample_Z(mb_size, Z_dim)}) #D喂入x样本和Z样本 _, G_loss_curr = sess.run([G_optimizer, G_loss], feed_dict={
Z: sample_Z(mb_size, Z_dim)})#G喂入x样本和Z样本
result = sess.run(summary_op, feed_dict={X: X_mb, Z: sample_Z(mb_size, Z_dim)})
writer.add_summary(result, i)
if it % 1000 == 0:
print('Iter: {}'.format(it)) #用format()里的数字来替换“{}”
print('D_loss: {:.4}'.format(D_loss_curr))
print('G_loss: {:.4}'.format(G_loss_curr))
print()