GAN网络生成手写数字

1. GAN网络对抗的过程

1. 从带模仿的数据当中拿出一批数据（Batch）.
2. 训练鉴别器 D
   • 鉴别器是典型的二分类。
   • 真 → 1
   • 假 → 0
   • 假数据是通过生成器得到的，生成器的输入是噪声$Z$.
   • 训练鉴别器时，生成器作为工具人，我们要在计算图中把生成器部分扯出去（detatch），这个过程中我们只是需要生成器生成一些假数据，但是在训练鉴别器的时候，暂时先不训练生成器。
3. 训练生成器 G
   • 噪声$Z$ → G → Fake Data → D → y_pred.
   • 训练生成器时，鉴别器作为工具人，不参与参数回传，不参与训练。
4. 最终
   • 通过无数轮次的训练，生成器和鉴别器的能力都获得了提升。
   • 博弈到最后，鉴别器的识别准确率是 0.5左右 ，也就是鉴别器无法鉴别真假了。

2. GAN生成对抗代码

https://download.youkuaiyun.com/download/weixin_38566632/89545294

import torch
from torch import nn
from torch.nn import functional as F

from torchvision import datasets
from torchvision import transforms
from torch.utils.data import DataLoader

from matplotlib import pyplot as plt

from matplotlib import gridspec

import numpy as np

import os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"

from IPython import display

# 判断是否有GPU
device = "cuda:0" if torch.cuda.is_available() else "cpu"
device

"""
    加载数据
    - 模仿的对象
    - 真品
"""

# 加载并预处理图像
data = datasets.MNIST(root="data", 
                      train=True, 
                      transform = transforms.Compose(transforms=[transforms.ToTensor(), 
                                                                transforms.Normalize(mean=[0.5], 
                                                                                     std=[0.5])]),
                      download=True)
# 封装成 DataLoader
data_loader = DataLoader(dataset=data, batch_size=100, shuffle=True)

for image, label in data_loader:
    print(image.shape)
    print(label.shape)
    break

"""
    定义生成器
"""

class Generator(nn.Module):
    """
        定义一个图像生成
        输入：一个向量(随机噪声，随机数)
        输出：一个向量（代表图像，28 * 28）
    """
    def __init__(self, in_features=128, out_features=28 * 28):
        """
            挂载超参数
        """
        # 先初始化父类，再初始化子类
        super(Generator, self).__init__()
        
        self.in_features = in_features
        self.out_features = out_features
        
        # 第一个隐藏层
        self.hidden0 = nn.Linear(in_features=self.in_features, out_features=256)
        
        # 第二个隐藏层
        self.hidden1 = nn.Linear