深度学习生成对抗网络（GAN）全解析_诺佳网—

生成对抗网络（GANs，https://en.wikipedia.org/wiki/Generative_adversarial_network）是一类具有基于网络本身即可以生成数据能力的神经网络结构。由于GANs的强大能力，在深度学习领域里对它们的研究是一个非常热门的话题。在过去很短的几年里，它们已经从产生模糊数字成长到创造如真实人像般逼真的图像。

1 GAN的工作方式

GANs属于生成模型的一类。这意味着它们能够产生，或者说是生成完全新的“有效”数据。有效数据是指网络的输出结果应该是我们认为可以接受的目标。

举例说明，举一个我们希望为训练一个图像分类网络生成一些新图像的例子。当然对于这样的应用来说，我们希望训练图像越真实越好，可能在风格上与其他图像分类训练数据非常相似。

为了做到这些，GANs是以两个独立的对抗网络组成：生成器和判别器。当仅将嘈杂的图像阵列作为输入时，会对生成器进行训练以创建逼真的图像。判别器经过训练可以对图像是否真实进行分类。

GANs真正的能力来源于它们遵循的对抗训练模式。生成器的权重是基于判别器的损失所学习到的。因此，生成器被它生成的图像所推动着进行训练，很难知道生成的图像是真的还是假的。同时，生成的图像看起来越来越真实，判别器在分辨图像真实与否的能力变得越来越强，无论图像用肉眼看起来多么的相似。

从技术的角度来看，判别器的损失即是分类图像是真是假的错误值；我们正在测量它区分真假图像的能力。生成器的损失将取决于它在用假图像“愚弄”判别器的能力，即判别器仅对假图像的分类错误，因为生成器希望该值越高越好。

因此，GANs建立了一种反馈回路，其中生成器帮助训练判别器，而判别器又帮助训练生成器。它们同时变得更强。下面的图表有助于说明这一点。

生成对抗网络的结构说明

2 在PyTorch中训练GAN来生成数字

现在我们将通过一个例子来展示如何使用PyTorch建立和训练我们自己的GAN！MNIST数据集包含60000个训练数据，数据是像素尺寸28x28的1-9的黑白数字图片。这个数据集非常适合我们的用例，同时也是非常普遍的用于机器学习的概念验证以及一个非常完备的集合。

我们将从 import 开始，所需的仅仅是PyTorch中的东西。

import torch    
from torch import nn, optim    
from torch.autograd.variable import Variable


import torchvision    
import torchvision.transforms as transforms

接下来，我们为训练数据准备DataLoader。请记住，我们想要的是为MNIST生成随机数字，即从0到9。因此，我也将需要为这10个数字建立标签。

现在我们可以开始建立网络了，从下面的Discriminator（判别器）网络开始，回想一下，判别器网络是对图像真实与否进行分类——它是一个图像分类网络。因此，我们的输入是符合标准MNIST大小的图像：28x28像素。我们把这张图像展平成一个长度为784的向量。输出是一个单独的值，表示图像是否是实际的MNIST数字。