用各种GAN生成正态分布

最新推荐文章于 2025-07-15 21:40:39 发布

蕉叉熵

最新推荐文章于 2025-07-15 21:40:39 发布

阅读量3.4k

点赞数 3

CC 4.0 BY-SA版权

分类专栏：深度学习机器学习文章标签： GAN 正态分布

本文链接：https://blog.youkuaiyun.com/songbinxu/article/details/85924395

用GAN生成正态分布

毕设中有一部分与GAN（Generative Adversarial Networks）相关，但是一直不work，因此准备重新从最简单的GAN入手，实现一下试试看能不能发现什么问题。
本文会用GAN从标准正态噪声生成均值为3.5，标准差为0.7的正态分布 $N(3.5, 0.7^2)$ 。

整体结构

一个GAN由生成器Generator（G）和判别器Discriminator（D）构成，D希望能正确分辨真实样本和G生成的假样本，G希望能骗过D，让D认为G生成的样本是真的。根据GAN的不同，G和D的目标函数有所不同，结构和连接方式也各有不同，G与D内部的结构也比较自由（姑且这么认为，实际上还是需要小心设计的）。
下图是一个原始GAN的结构。 $z$ 是一个 $d$ 维的噪声向量， $x$ 是从目标分布 $N(3, 0.5^2)$ 中采样得到的样本，即真实样本，也是一个 $d$ 维向量。

生成器与判别器

由于任务比较简单，只是随机向量到随机向量，所以G和D的结构只使用MLP。方便起见，令随机向量维度 $d = 10$ 。

# 生成器
class Generator_MLP(BasicBlock):
    def __init__(self, name=None):
        super(Generator_MLP, self).__init__(None, name or "Generator_MLP")
    def __call__(self, z, is_training=True, reuse=False):
        with tf.variable_scope(self.name, reuse=reuse):
            net = tf.nn.softplus(dense(z, 64, name='g_fc1'))
            out = dense(net, 10, name='g_fc2')
            return out
# 判别器
class Discriminator_MLP(BasicBlock):
    def __init__(self, name=None):
        super(Discriminator_MLP, self).__init__(None, name or "Discriminator_MLP")
    def __call__