GANとは？敵対的生成ネットワークの仕組みと応用事例

KerasでGANの基本構造を実装してみよう

ランダムなノイズから画像を生成するGenerator（生成器）と、本物か偽物かを見分けるDiscriminator（識別器）を組み合わせたGANの最小構成です。

import numpy as np
from tensorflow.keras import layers, models, optimizers

LATENT_DIM = 100   # ノイズの次元数
IMG_SHAPE = (28, 28, 1)

# --- 生成器：ノイズ → 画像 ---
def build_generator():
    model = models.Sequential([
        layers.Dense(256, input_dim=LATENT_DIM),
        layers.LeakyReLU(0.2),
        layers.BatchNormalization(),
        layers.Dense(512),
        layers.LeakyReLU(0.2),
        layers.BatchNormalization(),
        layers.Dense(np.prod(IMG_SHAPE), activation="tanh"),
        layers.Reshape(IMG_SHAPE),
    ])
    return model

# --- 識別器：画像 → 本物/偽物 ---
def build_discriminator():
    model = models.Sequential([
        layers.Flatten(input_shape=IMG_SHAPE),
        layers.Dense(512),
        layers.LeakyReLU(0.2),
        layers.Dense(256),
        layers.LeakyReLU(0.2),
        layers.Dense(1, activation="sigmoid"),
    ])
    model.compile(loss="binary_crossentropy",
                  optimizer=optimizers.Adam(0.0002, 0.5),
                  metrics=["accuracy"])
    return model

# --- GAN全体の組み立て ---
discriminator = build_discriminator()
generator = build_generator()

# GAN学習時は識別器の重みを固定
discriminator.trainable = False
gan_input = layers.Input(shape=(LATENT_DIM,))
fake_img = generator(gan_input)
validity = discriminator(fake_img)
gan = models.Model(gan_input, validity)
gan.compile(loss="binary_crossentropy",
            optimizer=optimizers.Adam(0.0002, 0.5))

print("Generator output shape:", generator.output_shape)
print("Discriminator output shape:", discriminator.output_shape)
# Generator output shape: (None, 28, 28, 1)
# Discriminator output shape: (None, 1)

GANの学習は「生成器が識別器を騙そうとし、識別器が見破ろうとする」という敵対的なゲームです。両者のバランスが崩れるとモード崩壊（同じ画像ばかり生成）が起きるため、LeakyReLUやBatchNormalizationなどの安定化テクニックが重要になります。