python打卡day53@浙大疏锦行

知识点回顾：

1. 对抗生成网络的思想：关注损失从何而来
2. 生成器、判别器
3. nn.sequential容器：适合于按顺序运算的情况，简化前向传播写法
4. leakyReLU介绍：避免relu的神经元失活现象

ps；如果你学有余力，对于gan的损失函数的理解，建议去找找视频看看，如果只是用，没必要学

作业：对于心脏病数据集，对于病人这个不平衡的样本用GAN来学习并生成病人样本，观察不用GAN和用GAN的F1分数差异。

一、数据预处理（修改 src/data/preprocessing.py ）

def split_minority_class(data_df):
    # 提取少数类（病人样本）
    minority = data_df[data_df.target == 1]
    return minority.drop('target', axis=1).values

二、GAN网络定义（新增 src/models/gan.py ）

class Generator(nn.Sequential):
    def __init__(self, input_dim, output_dim):
        super().__init__(
            nn.Linear(input_dim, 128),
            nn.LeakyReLU(0.2),
            nn.Linear(128, 256),
            nn.LeakyReLU(0.2),
            nn.Linear(256, output_dim),
            nn.Tanh()
        )

class Discriminator(nn.Sequential):
    def __init__(self, input_dim):
        super().__init__(
            nn.Linear(input_dim, 256),
            nn.LeakyReLU(0.2),
            nn.Linear(256, 128),
            nn.LeakyReLU(0.2),
            nn.Linear(128, 1),
            nn.Sigmoid()
        )

三、训练流程（修改 src/models/train.py ）

# GAN训练循环
for epoch in range(epochs):
    for real_data in minority_loader:
        # 生成假数据
        z = torch.randn(batch_size, latent_dim)
        fake_data = generator(z)
        
        # 判别器训练
        d_loss_real = criterion(discriminator(real_data), real_labels)
        d_loss_fake = criterion(discriminator(fake_data.detach()), fake_labels)
        d_loss = (d_loss_real + d_loss_fake) / 2
        
        # 生成器训练
        g_loss = criterion(discriminator(fake_data), real_labels)

四、评估对比（新增 src/visualization/evaluate.py ）

def compare_f1(original_f1, gan_f1):
    plt.figure(figsize=(10,6))
    plt.bar(['Original', 'GAN Augmented'], [original_f1, gan_f1])
    plt.title('F1 Score Comparison')
    plt.savefig('reports/figures/f1_comparison.png')

执行流程

1.安装依赖

pip install imbalanced-learn

2.训练GAN生成样本
3.分别训练基线模型和增强模型
4.生成对比报告