生成对抗网络入门

>- **🍨 本文为[🔗365天深度学习训练营(https://mp.weixin.qq.com/s/0dvHCaOoFnW8SCp3JpzKxg) 中的学习记录博客**
>- **🍖 原作者：[K同学啊](https://mtyjkh.blog.youkuaiyun.com/)** 

一，基础理论

        生成对抗网络（GAN）是近几年神经网络的一个热门的方向。GAN指的是一类基于博弈思想而设计的网络。GAN主要有两个部分组成，分别是生成器和判别器。其中，生成器是从某种噪声分布中随机采样作为输入，输出和训练样本很相似的人工样本。判别器的输入则是真实样本和人工样本，其目的是尽可能地将真实样本和人工样本区分出来。这样，生成器和判别器之间相互博弈，双方的水平得到提升。理想的情况是判别器无法判别出样本的真实性，无论生成什么样的样本都输出50%的真，假概率。这样就获得了一个具有制造伪造样本的生成器。

1.生成器

        GANs，生成器G选取噪声z作为输入，通过生成器不断地拟合，最终输出一个和真实样本尺寸一样，分布相似的伪造样本G（z）。生成器原本是一个使用生成式方法的模型，它对数据的分布假设进行学习，然后根据学习到的模型重新采样出新的样本。        

        从数学的角度上来讲，生成器是先假设一个数据分布，然后将真实数据输入进去，去学习真实数据里面的显示变量和隐式变量，最后得到一个和真实数据相似的数据分布。而机器学习就没有假设的部分，它是直接进行训练，然后对分布假设里面的参数进行修改，最后得到一个数据分布。

2.判别器

        GANs中，判别器D对输入样本x，输出一个[0,1]的概率值D（x）。这里的x既可以来自真实数据，也可以来自生成器D（z）。通常约定D（x）越接近1，就代表生成的数据来自真实数据的可能性就越大，反之就来自生成器。这里面判别器的作用是辨别数据的真伪，而不是判断数据的类别，GANs的学习过程是一个无监督的过程。

        

        

代码如下

import os
import torch
import numpy as np
import torch.nn as nn
from torchvision import datasets
from torchvision.utils import save_image
import torchvision.transforms as transform
from torch.autograd import Variable
from torch.utils.data import DataLoad