GAN生成对抗网络学习笔记

保护好头和头发

已于 2024-05-23 18:52:30 修改

阅读量360

点赞数 8

文章标签：生成对抗网络学习笔记

于 2024-05-16 14:24:59 首次发布

本文链接：https://blog.youkuaiyun.com/2301_77799531/article/details/138958741

版权

1、什么是GAN？

GAN（Generative Adversarial Network）对抗神经网络是一种深度学习模型，由一对神经网络组成：生成器和判别器。

生成器的目的是学习生成数据的分布，它将随机噪声作为输入并生成与真实数据相似的输出。判别器的目的是学习将生成器生成的数据与真实数据区分开来。生成器和判别器在训练过程中相互对抗，生成器尝试生成越来越真实的数据来欺骗判别器，而判别器尝试识别哪些数据是真实的哪些是生成的。

2、GAN网络的主要成分（G和D）

1、生成器（Generator）：

作用：负责凭空编造假的数据出来。
详细解释：通过机器生成假的数据，最终目的是“骗过”判别器。

过程：生成器是一个神经网络模型，它接收随机噪声作为输入，并输出一些与原始数据相似的数据。生成器的目标是尽量准确地模拟原始数据的分布。

# 定义生成器
class Generator(nn.Module):
    def __init__(self):
        super(Generator, self).__init__()
        self.main = nn.Sequential(
            nn.Linear(100, 256),  # 输入100维噪声向量，线性变换到256维
            nn.BatchNorm1d(256),  # 归一化层
            nn.ReLU(),  # ReLU激活函数
            nn.Linear(256, 512),  # 线性变换到512维
            nn.BatchNorm1d(512),  # 归一化层
            nn.ReLU(),  # ReLU激活函数
            nn.Linear(512, 1024),  # 线性变换到1024维
            nn.BatchNorm1d(1024),  # 归一化层
            nn.ReLU(),  # ReLU激活函数
            nn.Linear(1024, 28 * 28),  # 线性变换到28*28维，即生成MNIST图像
            nn.Tanh()  # Tanh激活函数将输出范围压缩到[-1, 1]
        )

    def forward(self, x):
        img = self.main(x)  # 前向传播
        img = img.view(-1, 1, 28, 28)  # 将输出变形为MNIST图像格式
        return img

2、判别器（Discriminator）

作用：负责判断传来的数据是真还是假。
详细解释：判断这张图像是真实的还是机器生成的，目的是找出生成器做的“假数据”。
过程：判别器也是一个神经网络模型，它的输入是一组数据，输出一个概率值，用于判断该数据是真实数据还是生成器生成的数据。判别器的目标是尽可能准确地区分真实数据和生成器生成的数据。
```
class Discriminator(nn.Module):
    def __init__(self):
        super(Discriminator, se
```