原始GAN读代码过程中的分散知识点

1、关于噪声z的维度大小和Generator输出样本个数的关系

在论文《Effective data generation for imbalanced learning using Conditional Generative Adversarial Networks》 中提到，噪声z的维度dz，以及G和D内部隐藏层的数量是超参数

GAN源代码是这样定义z的： 

# 噪声z是一个随机变量，服从[0,1]的正态分布，维度为(图像的高度*隐层的维度)
z = Variable(Tensor(np.random.normal(0, 1, (imgs.shape[0], opt.latent_dim))))

其中，imgs.shape[0]经过验证为128，也就是batch_size的大小，而latent_dim是隐层的维度，在前面设置了默认值为100

numpy.random.normal(loc=0.0, scale=1.0, size=None)

其中参数loc为分布的均值，scale为分布的标准差

size为整数或者整数组成的元组，表示输出值的维度。如果给定的维度为(m, n, k)，那么就从分布中抽取m * n * k个样本。如果size为None（默认值）并且loc和scale均为标量，那么就会返回一个值。否则会返回np.broadcast(loc, scale).size个值

在本例中，从服从[0,1]分布的随机数据中抽取了128*100=12800个样本作为噪声z，也就是说z只是一个数，不是向量，一共输入了12800个z

输出时的代码为：

batches_done = epoch * len(dataloader) + i
        if batches_done % opt.sample_interval == 0: