深度学习第四天-生成对抗网络（GAN）：手写数字生成

>- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/k-vYaC8l7uxX51WoypLkTw) 中的学习记录博客**
>- **🍦 参考文章地址： [🔗深度学习100例-生成对抗网络（GAN）手写数字生成 | 第18天](https://mtyjkh.blog.csdn.net/article/details/118995896)**
>- **🍖 作者：[K同学啊](https://mp.weixin.qq.com/s/k-vYaC8l7uxX51WoypLkTw)**

1.设置GPU

import tensorflow as tf

gpus = tf.config.list_physical_devices("GPU")

if gpus:
    tf.config.experimental.set_memory_growth(gpus[0], True)  #设置GPU显存用量按需使用
    tf.config.set_visible_devices([gpus[0]],"GPU")
    
# 打印显卡信息，确认GPU可用
print(gpus)

得到结果：

[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

from tensorflow.keras import layers, datasets, Sequential, Model, optimizers
from tensorflow.keras.layers import LeakyReLU, UpSampling2D, Conv2D

import matplotlib.pyplot as plt
import numpy             as np
import sys,os,pathlib

2.定义训练参数

img_shape  = (28, 28, 1)
latent_dim = 200

二，什么是对抗神经网络

1. 简单介绍
   生成对抗网络（GAN） 包含生成器和判别器，两个模型通过对抗训练不断学习、进化。

生成器(Generator)：生成数据（大部分情况下是图像），目的是“骗过”判别器。

鉴别器(Discriminator)：判断这张图像是真实的还是机器生成的，目的是找出生成器生成的“假数据”。

2. 应用领域
   GAN 的应用十分广泛，它的应用包括图像合成、风格迁移、照片修复以及照片编辑，数据增强等等。

1）风格迁移

图像风格迁移是将图像A的风格转换到图像B中去，得到新的图像。

2）图像生成

GAN 不但能生成人脸，还能生成其他类型的图片，比如漫画人物。

三、网络结构
简单来讲，就是用生成器生成手写数字图像，用鉴别器鉴别图像的真假。二者相互对抗学习（卷），在对抗学习（卷）的过程中不断完善自己，直至生成器可以生成以假乱真的图片（鉴别器无法判断其真假）。结构图如下：

GAN步骤：

1.生成器（Generator）接收随机数并返回生成图像。
2.将生成的数字图像与实际数据集中的数字图像一起送到鉴别器（Discriminator）。
3.鉴别器（Discriminator）接收真实和假图像并返回概率，0到1之间的数字，1表示真，0表示假。
四、构建生成器

def build_generator():
    # ======================================= #
    #     生成器，输入一串随机数字生成图片
    # ======================================= #
    model = Sequential([
        layers.Dense(256, input_dim=latent_dim),
        layers.LeakyReLU<