pytorch十五：生成对抗网络-mnist

GAN解决了非监督学习中的著名问题：给定一批样本，训练一个系统能够生成类似的新样本。

生成对抗网络主要包含以下两个子网络：

• 生成器：随机生成一个噪声，生成一张图片
• 判别器：判断输入的图片是真图片还是假图片

 交替训练：

• 训练判别器时，需要利用真实图片和生成器生成的假图片，判别器希望判别真实图片尽可能为真，判别生成器生成的图片尽可能为假。（判别器希望能够尽可能地判别真假）
• 训练生成器时，只需要利用生成器生成的图片，将生成器生成的图片放到判别器中，判别器判别其尽可能为真。（生成器希望生成的图片尽可能为真）

训练到一定阶段，判别器和生成器会达到一个平衡 。即此时生成器生成的图片足以以假乱真，足以欺骗到判别器了。

对于生成器，其网络结构类似于下面，当然具体的通道数、步长、核尺寸、填充等，可根据具体的实例进行适当修改。

上面网络的输入是一个100维的噪声，输出是一个3x64x64的图片。这里的输入可以看成是一个100x1x1的图片，通过反卷积（转置卷积）慢慢增大为4x4、8x8、16x16、32x32、64x64。这种反卷积的做法可以理解为图片的信息保存于100个向量之中，神经网络根据这100个向量描述的信息，前几步的反卷积先勾勒出轮廓、色调等基础信息，后几步反卷积