牛客题解 | 生成对抗网络（GAN）生成器

题目## 题目

题目链接

生成式对抗网络（GAN）是一种深度学习模型，由两个神经网络组成：生成器和判别器。生成器负责生成与真实数据相似的假数据，而判别器则负责区分真实数据和生成的数据。通过对抗训练，生成器不断改进其生成能力，最终能够生成高质量的样本。

生成器的说明

生成器是生成式对抗网络中的一个关键组件，其主要任务是从随机噪声中生成逼真的数据样本。生成器通过学习真实数据的分布，逐步调整其参数，以便生成的样本能够欺骗判别器，使其无法区分生成的数据和真实数据。生成器通常使用反向传播算法进行训练，并通过优化损失函数来提高生成样本的质量。

本题给定要生成数据的维度和噪声，只需要通过随机数生成器生成数据然后与噪声相加即可。
标准代码如下：

import numpy as np

def generate_data(noise,real):
    return np.add(noise,real)

if __name__ == '__main__':
    np.random.seed(42)
    n,d = map(int, input().split())
    noise = [list(map(float, input().split())) for _ in range(n)]  
    real_data = [list(map(float,input().split())) for _ in range(n)] 
    data = generate_data(noise,real_data)
    for row in data:
        print(' '.join(str(round(row[i],2))for i in range(d)))

题目链接

生成式对抗网络，通俗点说，就是一对买卖家在博弈，卖家（生成器）生成假数据想“以次充好”，买家（判别器）判断数据是真是假。
在本题中，生成器通过将真实数据和噪声相加，得到生成数据。判别器通过sigmoid函数生成一个概率来判断数据是真实的还是生成的。

标准代码

import numpy as np
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

def discriminator(sample):
    return sigmoid(sample)

if __name__ == '__main__':
    n = int(input())
    real_data = [float(input()) for _ in range(n)]
    noise = [float(input()) for _ in range(n)]
    generated_data = np.add(real_data,noise)
    for sample in generated_data:
        print(f"{discriminator(sample):.2f}")