GAN训练过程伪代码

GAN（Generative Adversarial Networks）的训练过程通常包含两个关键部分：生成器（Generator）和判别器（Discriminator）。这是一个简单的伪代码描述：

# 初始化生成器和判别器模型
generator = Generator()
discriminator = Discriminator()

# 设置优化器
optimizer_G = Adam(generator.parameters(), lr=learning_rate)
optimizer_D = Adam(discriminator.parameters(), lr=learning_rate)

for epoch in range(num_epochs):
    for i, (real_data, _) in enumerate(train_loader):  # _ 表示标签忽略
        # 训练判别器
        discriminator.zero_grad()  # 清零梯度
        fake_data = generator(real_data.shape)  # 生成假数据
        real_outputs = discriminator(real_data).squeeze()  # 对真实数据的真实度预测
        fake_outputs = discriminator(fake_data.detach()).squeeze()  # 对假数据的真实度预测（detach避免反向传播）
        
        d_loss_real = criterion(real_outputs, torch.ones_like(real_outputs))  # 真实样本损失
        d_loss_fake = criterion(fake_outputs, torch.zeros_like(fake_outputs))  # 假设样本损失
        
        d_loss = d_loss_real + d_loss_fake
        d_loss.backward()  # 反向传播
        optimizer_D.step()  # 更新判别器参数

        # 训练生成器
        generator.zero_grad()
        noise = torch.randn(batch_size, latent_dim)  # 采样噪声
        gen_outputs = discriminator(generator(noise)).squeeze()
        
        g_loss = criterion(gen_outputs, torch.ones_like(gen_outputs))  # 生成器想要欺骗判别器
        g_loss.backward()
        optimizer_G.step()  # 更新生成器参数

    # 每几个epoch打印一些信息，如loss等
    print(f"Epoch {epoch+1}/{num_epochs}, D loss: {d_loss.item()}, G loss: {g_loss.item()}")

# 训练完成后，通常保存最优的生成器模型
torch.save(generator.state_dict(), "generator.pth")