【用Python简单实现生成对抗网络（GAN）】

这是一个用Python编写的简单实现生成对抗网络（GAN）的脚本。

该脚本包括两个神经网络：生成器（G）和判别器（D）。生成器采用随机向量作为输入，生成一幅艺术作品。判别器接收一幅艺术作品作为输入，并判断它是否是由真实艺术家所绘制的。两个网络通过对抗学习的方式相互竞争，直到生成器可以生成与真实艺术品相似的作品。

生成器的目标是生成类似于训练数据的“假”数据，而判别器的目标是识别“真实”数据和生成器生成的“假”数据。两个网络通过博弈的方式相互对抗学习，最终生成器可以生成与训练数据相似的新数据。

具体来说，这段代码实现的是一个简单的 GAN，其中生成器（Generator）试图学习如何生成一个类似于二次函数的曲线。代码的第一部分定义了生成器和判别器的神经网络结构。然后，在训练过程中，生成器产生一个“假”数据，判别器评估这个“假”数据和真实数据的相似度，并根据评估结果更新判别器和生成器的权重。这个过程不断重复，直到生成器可以生成与真实数据相似的数据。

这段代码实现的训练过程如下：

1.定义了一个判别器和一个生成器的神经网络结构；
2.在每一步迭代中，生成器生成一个“假”数据，判别器评估这个“假”数据和真实数据的相似度；
3.计算判别器的损失函数，根据损失函数更新判别器的权重；
4.生成器再次生成一个“假”数据，判别器再次评估这个“假”数据和真实数据的相似度；
5.计算生成器的损失函数，根据损失函数更新生成器的权重；
6.重复步骤 2-5，直到生成器可以生成与真实数据相似的数据。
在每 50 步迭代之后，代码还会画出当前生成的曲线，以及真实曲线和生成器曲线的误差。

import os

os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'  # 防止Intel MKL导致的内存问题

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

# 超参数
BATCH_SIZE = 64  # 批大小
LR_G = 0.0001  # 生成器学习率
LR_D = 0.0001  # 判别器学习率
N_IDEAS = 5  # 随机向量的维度
ART_COMPONENTS = 15  # 可以绘制的画作中点的数量
PAINT_POINTS = np.vstack([np.linspace(-1, 1, ART_COMPONENTS) for _ in range(BATCH_SIZE)])  # 每个画作的点

def artist_works():  # 真实画作的生成函数（真实数据）
    a = np.random.uniform(1, 2, size=BATCH_SIZE)