生成对抗网络（GANs）结构图

### 生成对抗网络 (GANs) 的结构图

生成对抗网络由两部分构成：生成器（Generator）和辨别器（Discriminator）。这两者通过相互竞争的方式共同学习，最终达到平衡状态。生成器的任务是从随机噪声中创建尽可能真实的样本；而辨别器则试图区分这些生成的样本与真实的数据集之间的差异[^1]。

#### 基本架构示意图

虽然无法直接展示图片，以下是描述性的文字说明以及简单的ASCII艺术来表示这一过程：

- **输入层**: 随机向量作为生成器的输入。

- **生成器(G)**: 接收随机向量并尝试将其转换成看起来像来自目标分布的新实例。

- **输出层(假数据)**: 经过生成器处理后的伪造数据被送入辨别器进行检验。

- **真实数据流**: 来自实际数据集的真实样例也会被提供给辨别器比较。

- **辨别器(D)**: 同时接收真假两种来源的数据，并决定它们属于哪一类——即判断其真实性。

+-------------------+
|    Random Noise   |
+--------+----------+
         | Input to Generator
         v
+--+
         | Output from Generator
         v
+--------v-----------+       +---------------+
| Fake Data Stream   |--->-->| Discriminator |
+---------------------       +-------+-------+
                                ^            |
                              True           False
                                |            |
                        +-------+------+------v----+
                        | Real Data Stream        |
                        +-----------+

此图展示了如何利用两个神经网络构建一个完整的 GAN 模型框架。生成器旨在欺骗辨别器相信它所生产的成果是真的，而辨别器的目标在于不断提高自己识别虚假的能力。随着训练次数增加，两者都会变得越来越擅长自己的任务，直到某个稳定点为止[^2]。

import tensorflow as tf
from tensorflow.keras import layers

def build_generator():
    model = tf.keras.Sequential()
    
    # 输入维度为100的全连接层
    model.add(layers.Dense(256, activation='relu', input_dim=100))
    ...
    return model
    
def build_discriminator():
    model = tf.keras.Sequential()

    # 添加适当层数以适应具体应用场景
    model.add(layers.Dense(256, activation='relu'))
    ...
    return model