生成对抗网络的python代码

生成对抗网络（Generative Adversarial Networks, GANs）是一种深度学习模型，由两个神经网络对抗训练：生成器（Generator）和判别器（Discriminator）。生成器试图创建与训练数据相似的新样本，而判别器则负责判断这些样本是真实的还是伪造的。

在Python中，最常用的是TensorFlow库和PyTorch库来实现GAN。这里我将简述一个基础的GAN在PyTorch中的实现框架，具体细节会涉及较多代码：

# 导入所需库
import torch
import torch.nn as nn
from torch.utils.data import DataLoader
from torchvision.datasets import MNIST

# 假设我们使用MNIST数据集
mnist = MNIST(root='./data', download=True, transform=...)

# 定义生成器和判别器
class Generator(nn.Module):
    # ...

class Discriminator(nn.Module):
    # ...

# 初始化模型
G = Generator()
D = Discriminator()

# 设置优化器和损失函数
optimizer_G = torch.optim.Adam(G.parameters(), lr=0.0002)
optimizer_D = torch.optim.Adam(D.parameters(), lr=0.0002)
criterion = nn.BCELoss()

# 训练循环
for epoch in range(num_epochs):
    for real_images in dataloader:
        # 填充维度
        real_images = real_images.view(-1, 1, 28, 28)

        # 更新判别器
        D.zero_grad()
        fake_images = G(real_images[:, None, :, :].to(device))  # 生成假样本
        real_output = D(real_images).reshape(-1)  # 判别器输出对真实样本的概率
        fake_output = D(fake_images).reshape(-1)  # 对假样本的概率

        d_loss_real = criterion(real_output, torch.ones_like(real_output))
        d_loss_fake = criterion(fake_output, torch.zeros_like(fake_output))

        d_loss = d_loss_real + d_loss_fake
        d_loss.backward()
        optimizer_D.step()

        # 更新生成器
        G.zero_grad()
        fake_output = D(fake_images).reshape(-1)  # 再次判别生成样本
        g_loss = criterion(fake_output, torch.ones_like(fake_output))  # 优化目标是让判别器误判为真
        g_loss.backward()
        optimizer_G.step()

    print(f"Epoch [{epoch+1}/{num_epochs}], D Loss: {d_loss.item()}, G Loss: {g_loss.item()}")