gan生成一维数据代码

以下是使用GAN生成一维数据的Python代码示例：

import numpy as np
import matplotlib.pyplot as plt

from keras.models import Sequential
from keras.layers import Dense, LeakyReLU

# 生成真实数据
def generate_real_data(n_samples):
    x = np.random.randn(n_samples) * 5 + 10
    y = np.ones(n_samples)
    return x, y

# 生成隐变量
def generate_latent_variable(n_samples, latent_dim):
    x = np.random.randn(n_samples, latent_dim)
    return x

# 生成假数据
def generate_fake_data(generator_model, n_samples, latent_dim):
    x = generate_latent_variable(n_samples, latent_dim)
    y = np.zeros(n_samples)
    generated_data = generator_model.predict(x)
    return generated_data.flatten(), y

# 定义生成器模型
def define_generator(latent_dim):
    model = Sequential()
    model.add(Dense(10, input_dim=latent_dim))
    model.add(LeakyReLU(alpha=0.2))
    model.add(Dense(1, activation='linear'))
    return model

# 定义判别器模型
def define_discriminator():
    model = Sequential()
    model.add(Dense(10, input_dim=1))
    model.add(LeakyReLU(alpha=0.2))
    model.add(Dense(1, activation='sigmoid'))
    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model

# 定义GAN模型
def define_gan(generator_model, discriminator_model):
    discriminator_model.trainable = False
    model = Sequential()
    model.add(generator_model)
    model.add(discriminator_model)
    model.compile(loss='binary_crossentropy', optimizer='adam')
    return model

# 训练GAN模型
def train_gan(generator_model, discriminator_model, gan_model, n_epochs, n_batch, latent_dim):
    for epoch in range(n_epochs):
        for batch in range(n_batch):
            # 更新判别器
            x_real, y_real = generate_real_data(n_batch)
            discriminator_model.train_on_batch(x_real, y_real)
            
            x_fake, y_fake = generate_fake_data(generator_model, n_batch, latent_dim)
            discriminator_model.train_on_batch(x_fake, y_fake)
            
            # 更新生成器
            x_gan = generate_latent_variable(n_batch, latent_dim)
            y_gan = np.ones(n_batch)
            gan_model.train_on_batch(x_gan, y_gan)
            
        # 展示生成的数据
        x_fake, y_fake = generate_fake_data(generator_model, 100, latent_dim)
        plt.hist(x_fake, bins=20)
        plt.show()

# 主函数
if __name__ == '__main__':
    latent_dim = 5
    discriminator_model = define_discriminator()
    generator_model = define_generator(latent_dim)
    gan_model = define_gan(generator_model, discriminator_model)
    train_gan(generator_model, discriminator_model, gan_model, 5000, 128, latent_dim)

这段代码实现了一个简单的一维GAN模型，可以生成符合正态分布的一维数据。在训练过程中，每一轮训练结束后，会生成100个假数据并展示其分布情况。可以通过修改模型的结构和参数来生成不同的一维数据。