Pytorch 使用DCGAN生成MNIST手写数字 入门级教程

DCGAN的原理本文不再介绍，可以参考：DCGAN论文解读-----DCGAN原理简介与基础GAN的区别

之前发过一篇利用GAN生成手写数字的实战演示，具体参考：入门GAN实战---生成MNIST手写数据集代码实现pytorch

由于利用GAN生成的图像噪声较多，因此利用DCGAN再次完成该实验。两种方法区别不大，只是在定义生成器和鉴别器的时候稍有改动。具体演示如下：

1.加载MNIST手写数据集

    如果已经提前下载好MNIST手写数据集，记得把代码中的download改为False。具体MNIST数据集下载方法参考：深度学习入门--MNIST数据集及创建自己的手写数字数据集

# 加载数据
transform = transforms.Compose([transforms.ToTensor(),
                                transforms.Normalize(mean=0.5, std=0.5)])

train_ds = torchvision.datasets.MNIST('data/',
                                      train=True,
                                      transform=transform,
                                      download= True)
dataloader = torch.utils.data.DataLoader(train_ds, batch_size=64, shuffle=True)

2.定义生成器Generator

与基础GAN的生成器相比，利用了反卷积并添加了BN层

# 定义生成器
class Generator(nn.Module):
    def __init__(self):
        super(Generator,self).__init__()
        self.linear1 = nn.Linear(100, 256*7*7)  # 希望生成1*28*28的图片 7反卷积后14，再反卷积28 pytorch中channel在前
        self.bn1 = nn.BatchNorm1d(256*7*7)
        self.deconv1 = nn.ConvTranspose2d(256, 128,
                                          kernel_size=(3,3),
                                          str