人工智能安全：原理与实践 参考代码2-1：基于生成对抗网络.pdf

fromnumpyimporthstack,zeros,ones

fromnumpy.randomimportrand,randn

fromkeras.modelsimportSequential

fromkeras.layersimportDense

frommatplotlibimportpyplot

#定义一个独立的生成器模型

defdefine_generator(latent_dim,n_outputs=2):

model=Sequential()

model.add(Dense(15,activation=relu,kernel_initializer=he_uniform,

input_dim=latent_dim))

model.add(Dense(n_outputs,activation=linear))

returnmodel

#定义一个独立的判别器模型

defdefine_discriminator(n_inputs=2):

model=Sequential()

model.add(Dense(25,activation=relu,kernel_initializer=he_uniform,

input_dim=n_inputs))

model.add(Dense(1,activation=sigmoid))

pile(loss=binary_crossentropy,optimizer=adam,metrics=[accuracy])

returnmodel

#定义一个完整的生成对抗网络模型，即组合的生成器和判别器模型，以更新生成器

defdefine_gan(generator,discriminator):

discriminator.trainable=False

model=Sequential()

model.add(generator)

model.add(discriminator)

pile(loss=binary_crossentropy,optimizer=adam)

returnmodel

#生成带有类标签的n个真实样本

defgenerate_real_samples(n):

X1=rand(n)-0.5

X2=X1*X1

X1=X1.reshape(n,1)

X2=X2.reshape(n,1)

X=hstack((X1,X2))

y=ones((n,1))

returnX,y

#在隐空间中生成一些点作为生成器的输入

defgenerate_latent_points(latent_dim,n):

x_input=randn(latent_dim*n)

x_input=x_input.reshape(n,latent_dim)

returnx_input

#使用生成器生成带有类标签的n个伪造样本

defgenerate_fake_samples(generator,latent_dim,n):

x_input=generate_latent_points(latent_dim,n)

X=generator.predict(x_input)

y=zeros((n,1))

returnX,y

下方图片代码需要学生手写实现：

#训练生成对抗网络

deftrain(g_model,d_model,gan_model,latent_dim,n_epochs=10000,n_batch=128,n_eval=2000):

half_batch=int(n_batch/2)

foriinrange(n_epochs):

x_real,y_real=generate_real_samples(half_batch)

x_fake,y_fake=generate_fake