如何在Keras中加载DCGAN训练检查点并生成对应像素数组

前置要求 #

• 先在当前代码环境中定义和训练时结构、参数完全一致的生成器、判别器、两个优化器对象，不需要手动初始化权重，检查点加载时会自动覆盖
• 确认要加载的轮次对应检查点文件存在，比如第N轮训练对应文件为./training_checkpoints/ckpt-N.index和./training_checkpoints/ckpt-N.data-00000-of-00001

加载指定轮次检查点 #

import tensorflow as tf
import os

# 这里替换为你训练时用的生成器、判别器、优化器定义代码，结构参数必须和训练时完全匹配
generator = 【你的生成器定义代码】
discriminator = 【你的判别器定义代码】
generator_optimizer = tf.keras.optimizers.【你使用的优化器，参数和训练时一致】
discriminator_optimizer = tf.keras.optimizers.【你使用的优化器，参数和训练时一致】

# Checkpoint定义和你保存时的代码完全一致
checkpoint_dir = "./training_checkpoints"
checkpoint = tf.train.Checkpoint(
    generator_optimizer=generator_optimizer,
    discriminator_optimizer=discriminator_optimizer,
    generator=generator,
    discriminator=discriminator
)

# 加载指定轮次检查点，ckpt后的数字对应训练epoch轮次，比如加载第20轮就填ckpt-20
# 加expect_partial()避免未用到的权重（判别器、优化器）加载警告，不影响生成结果
checkpoint.restore(os.path.join(checkpoint_dir, "ckpt-20")).expect_partial()

生成目标数组 #

# 噪声维度必须和你训练时输入生成器的噪声维度完全一致，原版MNIST DCGAN默认用100维
noise_dim = 100
# 自定义需要生成的样本数量
num_generate_samples = 100

# 生成符合维度要求的随机噪声
test_noise = tf.random.normal([num_generate_samples, noise_dim])
# 推理模式生成数组，training设为False关闭Dropout、BatchNormalization等训练专属逻辑
generated_arrays = generator(test_noise, training=False)

# 后处理：和训练时的预处理逻辑对齐，比如训练时你把MNIST像素从[0,1]缩到了[-1,1]，这里反向转换
generated_arrays = (generated_arrays + 1) / 2.0
# 转为numpy数组格式方便后续计算观测值
generated_arrays_np = generated_arrays.numpy()

注意：如果生成数组不符合预期，优先排查三个点：生成器结构是否和训练时一致、噪声维度是否匹配、后处理归一化逻辑是否和训练时的预处理对应。

内容的提问来源于stack exchange，提问作者Barry