WGAN的代码实现

最新推荐文章于 2024-10-02 08:17:34 发布

地平线here

最新推荐文章于 2024-10-02 08:17:34 发布

阅读量3k

点赞数 3

分类专栏： pytorch学习库文章标签： pytorch python 深度学习

本文链接：https://blog.csdn.net/qq_43570557/article/details/123112993

版权

本文提供了WGAN的PyTorch实现教程，包括哔哩哔哩视频链接、GitHub代码仓库和详细注释，重点讲解了yield在代码中的作用。

摘要由CSDN通过智能技术生成

1.哔站视频链接：

https://www.bilibili.com/video/BV1TU4y1H7Mz?spm_id_from=333.1007.top_right_bar_window_custom_collection.content.click

2.github链接：

https://github.com/dragen1860/Deep-Learning-with-PyTorch-Tutorials/blob/master/lesson57-WGAN%E5%AE%9E%E6%88%98/wgan_gp.py

3.我的代码注释：


# 说明如果遇见以下错误TypeError: can't convert cuda:0 device type tensor to numpy. Use Tensor.cpu() to copy the tensor to host memory first.
#  在此文件中File "E:\anaconda\lib\site-packages\torch\_tensor.py", line 678, in __array__（这个文件是你运行后爆红的最后一个错误提示）
#     第678行修改return self.numpy()为return self.cpu().numpy()


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

# 设置设备
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# 超参数
h_dim = 400
batch_size = 512
viz = visdom.Visdom()  # 记得cmd中    python -m visdom.server--》按照地址打开即可显示



# 创建模型结构   生成器  判别器
class Generator(nn.Module):
    def __init__(self):
        super(Generator, self).__init__()
        self.net = nn.Sequential(
            # z:[b,2]--->[b,2]
            # Linear--ReLU--Linear--ReLU--Linear--ReLU--Linear
            nn.Linear(2, h_dim),
            nn.ReLU(True),
            nn.Linear(h_dim, h_dim),
            nn.ReLU(inplace=True),
            nn.Linear(h_dim, h_dim),
            nn.ReLU(inplace=True),
            nn.Linear(h_dim, 2)
        )

    def forward(self, z):
        output = self.net(z)
        return output


class Discriminator(nn.Module):
    def __init__(self):
        super(Discriminator, self).__init__()
        self.net = nn.Sequential(
            # z:[b,2]--->[b,1]
            # Linear--ReLU--Linear--ReLU--Linear--ReLU--Linear
            nn.Linear(2, h_dim),
            nn.ReLU(True),
            nn.Linear(h_dim, h_dim),
            nn.ReLU(inplace=True),
            nn.Linear(h_dim, h_dim),
            nn.ReLU(inplace=True),
            nn.Linear(h_dim, 1),
            nn.Sigmoid()  # 设置范围为【0,1】表示当前输入是真实分布的程度
        )

    def forward(self, z