原始GAN读代码过程中的分散知识点

1、关于噪声z的维度大小和Generator输出样本个数的关系

在论文《Effective data generation for imbalanced learning using Conditional Generative Adversarial Networks》 中提到，噪声z的维度dz，以及G和D内部隐藏层的数量是超参数

GAN源代码是这样定义z的： 

# 噪声z是一个随机变量，服从[0,1]的正态分布，维度为(图像的高度*隐层的维度)
z = Variable(Tensor(np.random.normal(0, 1, (imgs.shape[0], opt.latent_dim))))

其中，imgs.shape[0]经过验证为128，也就是batch_size的大小，而latent_dim是隐层的维度，在前面设置了默认值为100

numpy.random.normal(loc=0.0, scale=1.0, size=None)

其中参数loc为分布的均值，scale为分布的标准差

size为整数或者整数组成的元组，表示输出值的维度。如果给定的维度为(m, n, k)，那么就从分布中抽取m * n * k个样本。如果size为None（默认值）并且loc和scale均为标量，那么就会返回一个值。否则会返回np.broadcast(loc, scale).size个值

在本例中，从服从[0,1]分布的随机数据中抽取了128*100=12800个样本作为噪声z，也就是说z只是一个数，不是向量，一共输入了12800个z

输出时的代码为：

batches_done = epoch * len(dataloader) + i
        if batches_done % opt.sample_interval == 0:
            save_image(gen_imgs.data[:25], "images/%d.png" % batches_done, nrow=5, normalize=True)

epoch=[0,100)，len(dataloader)=469，i=[0,468)

所以batches_done=[0,1,2,……,46900]

opt.sample_interval为前面设置的图片间隔，等于400，因此每训练400张图片输出一次，46900/400=117…100，也就是说应该输出118次

文件夹里图片的序号为0，400，800，……，93600，共236张图片，也就是说输出了118的两倍，这是为什么呢？

不过可以确定的是，输出图片的数量与z的维度无关 ！而与

 这里通过讨论，搞明白了我一直以来困惑的一个点，就是对于这种输入为图片的神经网络，它的输入层维度（特征数）=图片的高*图片的宽

这也是为什么GAN能实现“降维”：原本我们训练样本图片为1*28*28，也就是说输入维度应该是784，但是当噪声z变为输入时，我们可以将维度从784降到100

在训练阶段，z的数量必须等于batch_size，等到训练好以后，需要使用Generator生成样本时，可以把128改成1000（比如需要生成1000个样本）

这里还有一点小疑问，为什么生成的样本数与输出层的参数无关？