原始GAN训练流程与存在问题

1.简单的GAN训练流程

1训练流程

• 创建标签，判别器Discriminator区分Real Image和Fake Image归根结底是一个二分类。这里不能用数据集自带标签。

valid = Tensor(image.size(0), 1).fill_(1.0).detach()  # Tensor(batch size row,1), fill 1.0 mark Real Image 
fake = Tensor(image.size(0), 1).fill_(0.0).detach()	# .detach() mean with no grad / requires_grad = False

• 先训练Generator

第一步：先用Tensor生成符合任意分布的噪声数据z，z . shape = (Batch Size, input_Dim)例如程序中将噪声输入数据维度可设置为100。

第二步：生成数据G(z)，并对G(z)添加标签，目的是为了愚弄判别器。

第三步：生成损失值，这里损失值来源于判别器D(G(z))

第四步：BP & 更新步骤

optimizer_G.zero_grad() # 对已有的gradient清零，因为有新来的Batch 
# 第一步
z = Tensor(np.random.normal(0, 1, (batch_size, input_Dim)))
# 第二步
gen_imgs = generator(z)
# 第三步
g_loss = adversarial_loss(discriminator(gen_imgs), valid)
# 第四步
g_loss.backward(