我想在Keras培訓GAN。我的最終目標是BEGAN，但我從最簡單的一個開始。瞭解如何正確凍結重量是必要的，這就是我所苦苦掙扎的。如何在Keras中編譯模型後動態凍結權重？
在生成器訓練時間期間，鑑別器權重可能不會更新。我想凍結和解凍鑑別交替爲訓練發生器和鑑別器。問題是，設置可訓練的參數爲false，鑑別器模型或甚至在其'權重不停止模型來訓練（和權重更新）。另一方面，當我在將可訓練設置爲False之後編譯模型時，權重變爲unfreezable。我無法在每次迭代後編譯模型，因爲這否定了整個訓練的想法。
由於這個問題，似乎很多Keras的實現都被竊聽，或者他們的工作是因爲舊版本中的一些非直觀的技巧或某事。
我幾個月前嘗試這個示例代碼和它的工作： https://github.com/fchollet/keras/blob/master/examples/mnist_acgan.py
這不是GAN中最簡單的形式，但據我記得，這不是太難以去除的分類損失將模型轉換成GAN。
您不需要打開/關閉鑑別器的可訓練屬性並重新編譯。只需創建並編譯兩個模型對象，一個帶有trainable=True（代碼中爲discriminator），另一個帶有trainable=False（代碼中爲combined）。
當您更新鑑別器時，請致電discriminator.train_on_batch()。當您更新發生器時，請致電combined.train_on_batch()。
您是否可以使用tf.stop_gradient來有條件地凍結重量？
也許你的敵對網絡（發電機加辨別器）寫在'模型'中。然而，即使你設置了d.trainable = False，獨立d網絡也是不可訓練的，但整個對抗網絡中的d仍然可以訓練。
您可以在設置之後使用d_on_g.summary（）d.trainable = False並且您會知道我的意思（注意可訓練變量）。
'tf.stop_gradient'正在阻止漸變流動，這不是我想要實現的。我想爲梯度計算梯度流量和計算梯度，但不執行更新操作。 –
然後，您可能會更好地將要更新的變量列表明確傳遞給tensorflow更新操作，而不是始終凍結/解凍加權。 –
你說得對，但它是Tensorflow解決方案，Keras不允許這樣做。你有一個模型抽象，你主要有'fit'和'train_on_batch'方法，就這些。如果在純Keras中沒有解決方案，那麼我將切換到Tensorflow。 –