深度学习-GAN生成式对抗网络

生成式对抗网络（GAN，generative adversarial network）的简单理解就是，想想一名伪造者试图伪造一幅毕加索的画作。一开始，伪造者非常不擅长这项任务，他随便画了幅与毕加索真迹放在一起，请鉴定商进行评估，鉴定商鉴定后，将结果反馈给伪造者，并告诉他怎样可以让❀看起来更像毕加索的真迹。伪造者学习后回去重新画，然后再拿给鉴定商鉴定，多次循环后，伪造者已经十分熟练的伪造毕加索的画作了，鉴定商的鉴定能力也有了很大的提高。最后，他们手上拥有了一些优秀的毕加索赝品。

下边的例子是使用GAN模拟二次方程：

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import numpy as np

"""超参数"""
BATCH_SIZE = 64  # 每批数据个数
LR_G = 0.0001  # 生成器的学习率（伪造者）
LR_D = 0.0001  # 判别器的学习率（鉴定商）
N_IDEAS = 5  # 随机想法个数
ART_COMPONENTS = 15  # 线段上数据点个数
PAINT_POINTS = np.vstack([np.linspace(-1, 1, ART_COMPONENTS) for _ in range(BATCH_SIZE)])  # h恩坐标范围

"""创建圣经网络"""
def artist_works():
    a = np.random.uniform(1, 2, size=BATCH_SIZE)[:, np.newaxis]
    paintings = a