网络模型（GAN-生成式对抗神经网络）

概念

无监督学习，用于生成、风格迁移、超分辨率（监控、卫星、核磁共振、X 光）、图像补全、图像增强、换脸……

小明想去看电影，但是不想买票，于是他凭想象花了一张假票，门卫拦住了他。
小明又回去画了一张假票，门卫还是看出来了。
小明接着画票，门卫也越来越警惕……
（小明的造假能力 和 门卫的识别能力 同时在增强）
小明终于拿着自己画的票看上了电影。

生成器：小明。（画票）
判别器：门卫。（检查票的真伪）

先训练判别网络，让判别器可以识别真实图片和伪造图片。
再训练生成网络，使生成的图片靠近真实图片。
重复交替训练……

实验（生成手写数字）

数据集：MNIST。

网络结构：

• 判别器：全连接 + 激活（LeakyReLU）+ Sigmoid。
• 生成器：全连接 + 激活（LeakyReLU）。

优化器：Adam(lr=0.0002, betas=(0.5, 0.999))。

损失函数：二进制交叉熵（BCELoss）。

输出：

• 判别网络：图片为真的概率。
• 生成网络：图片。

网络

import torch
from torch import nn


# 判别器
class D_Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.mlp = nn.Sequential(
            nn.Linear(784, 512), nn.LeakyReLU(),
            nn.Linear(512, 256), nn.LeakyReLU(),
            nn.Linear(256, 1), nn.Sigmoid()
        )

    def forward(self, x):
        return self.mlp(x)


# 生成器
class G_Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.mlp = nn.Sequential(
            nn.Linear(128, 256), nn.LeakyReLU(),
            nn.Linear(256, 512), nn.LeakyReLU