gan生成实验数据代码

GAN（Generative Adversarial Networks）是一种用于生成实验数据的深度学习模型。下面是一个简单的GAN生成实验数据的代码示例（使用Python和TensorFlow）：

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 设置随机种子，以确保每次运行的结果一致
tf.random.set_seed(42)
np.random.seed(42)

# 定义生成器模型
generator = tf.keras.models.Sequential([
    tf.keras.layers.Dense(100, input_shape=[1], activation="tanh"),
    tf.keras.layers.Dense(1, activation="tanh")
])

# 定义判别器模型
discriminator = tf.keras.models.Sequential([
    tf.keras.layers.Dense(100, input_shape=[1], activation="tanh"),
    tf.keras.layers.Dense(1, activation="sigmoid")
])

# 定义GAN模型
gan = tf.keras.models.Sequential([generator, discriminator])

# 编译GAN模型
discriminator.compile(loss="binary_crossentropy", optimizer="adam")
discriminator.trainable = False
gan.compile(loss="binary_crossentropy", optimizer="adam")

# 定义生成器的输入噪声
noise_size = 1

# 定义训练数据
real_data = np.random.normal(size=[1000, 1])

# 定义训练参数
batch_size = 32
epochs = 50

# 开始训练GAN模型
for epoch in range(epochs):
    # 生成随机噪声
    noise = np.random.normal(size=[batch_size, noise_size])
    # 使用生成器生成虚假数据
    fake_data = generator.predict(noise)
    # 将真实数据和虚假数据合并
    data = np.concatenate([real_data, fake_data])
    # 为真实数据和虚假数据创建标签
    labels = np.concatenate([np.ones((batch_size, 1)), np.zeros((batch_size, 1))])
    # 随机打乱数据和标签
    indices = np.random.permutation(2 * batch_size)
    data = data[indices]
    labels = labels[indices]
    # 训练判别器
    discriminator.trainable = True
    discriminator.train_on_batch(data, labels)
    # 训练生成器
    noise = np.random.normal(size=[batch_size, noise_size])
    labels = np.ones((batch_size, 1))
    discriminator.trainable = False
    gan.train_on_batch(noise, labels)
    # 每10轮打印一次损失
    if epoch % 10 == 0:
        print("Epoch:", epoch, "Discriminator Loss:", discriminator.evaluate(data, labels, verbose=False), "Generator Loss:", gan.evaluate(noise, labels, verbose=False))

# 使用生成器生成实验数据
generated_data = generator.predict(np.random.normal(size=[1000, noise_size]))

# 绘制真实数据和虚假数据的分布图
plt.hist(real_data, bins=20, alpha=0.5, color="blue", density=True)
plt.hist(generated_data, bins=20, alpha=0.5, color="red", density=True)
plt.show()

这个代码示例中，我们首先定义了一个简单的生成器模型和一个简单的判别器模型，然后将它们结合成一个GAN模型。在训练过程中，我们首先训练判别器，然后固定判别器的权重，训练生成器。最后，我们使用生成器生成实验数据，并将真实数据和虚假数据的分布图绘制在同一个图中，以比较它们的相似程度。