slice_input_producer在2.0版本里怎么用_用Gan生成一维数据（附代码）

引言

之前在知乎上问过一个关于使用对抗生成网络（Generative Adversarial Network）生成一维数据的问题。最近老是有人问代码的问题，网上关于图片的很多，一维数据的也有，但是比较少。对于一些小伙伴来说，可能懒得去找了，我就当个搬运工吧。之前也做过一点类似的东西，和大家分享一下。

https://zh.wikipedia.org/zh-hans/%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C​zh.wikipedia.org

对抗生成网络

废话不多说，先上那个公式，

G代表生成器，D代表判别器，

是真实数据分布，

是假的数据分布(一般是噪声)。

表示真实样本和生成样本的差异程度。G和D是模型，比如说两个神经网络。

说的是固定G最大化真实样本和生成样本的差异程度。

说的是固定D最小化真实样本和生成样本的差异程度。当然，真实样本和生成样本的差异程度其实就是指的是分类准确率。那么，D就是个二分类器，G可以理解为包装器，假的样本经过G后再去D里面判别，真的样本不经过包装直接去D里面判别。如果让D输出都是一个数的话，D希望真实样本和错误样本输出的两个数不一样，相差越大越好。G希望两个数一样。

陈诚：通俗理解生成对抗网络GAN​zhuanlan.zhihu.com

那D和G的损失是什么？

首先，公式（1）

是D大于0的，给真实数据打标签

，假的数据打标签为

。使用分类常用的交叉熵，

yp是判别器输出，yr是判别器输入标签，所以D的损失函数为

对G来说，想让D误判，所以有

， 不考虑真实样本，因为真实样本不经过生成器，只拿来做参考的。所以G损失为，

注意此时噪声标签换了。

代码

供参考，加载数据即可使用。

starhou/One-dimensional-GAN​github.com