GAN的介绍和简单代码的实现

GAN是什么?
其全称是Generative Adversarial Networks,即生成式对抗网络，这是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型中有两大模块，生成模型(Generative Model,我们用G来简称)，和判别模型(Discriminative，我们用D来简称)，GAN的学习过程便是这两个过程之间的博弈对抗，在GAN的理论中，并不要求G和D都是神经网络，只要是能拟合相应生成和判别的函数即可。在这篇中我们会配合简单的代码来解说，并能够实现GAN，这里的GAN代码可以在自己的笔记本等运行。

GAN内部的简单介绍：
首先我们先介绍一下GAN，如图：数据方面，我们有真实的数据，例如一些图片，还有我们自己定义的噪声，也就是一些随机数而已，这些随机数一般是一维（可能是几十个元素），输入到G中，
G对噪声不断进行编码，也就从低维到高维，最终形成一张图片，然后我们将噪声给D和真实图片给D，D进行判别，最后再对结果进行优化。
接下来我们更细的介绍GAN的训练，首先，我们明确一点，G和D是分开训练的，两者是在训练的过程中分别进步的，一开始，我们可以对G和D中的权重随便设置，这个时候，G和D都是几层网络而已，接下来我们将噪声输入到G中，G这个时候生成的东西也不知道是什么牛鬼蛇神，反正是乱七八糟的数据，然后我们人为的去操作，把这乱七八糟的数据输入到D中，我们自己让D对这些数据判别为“假”，然后输入真实图片，我们自己让D判别为真，然后对D的权重和偏置进行优化，再然后就是对G的权重和偏置进行优化，优化的目标是以真实图片训练权重和偏置，之后便是按照此过程不断的训练，也就不断地运行，在运行到100000次（随便说个次数）后，这些权重和偏置也被训练到稳定的状态了，这个时候如果我们输入随机数到G中，G便可以生成图片，而这个图片已经达到能够让D（非人为的，让D自行判断）判断为“真”。
GAN到此时也便完成了。
下面是代码解说：
1）首先是导入包(也不用这么多)

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
import os

2）然后是读取数据

mnist=input_data.read_data_sets("./fashion_mnist",one_hot=True)

3）再定义一个函数，按照正太分布，专门输出随机值，这个随机值是用在权重和偏置的初始化，而不是噪声

def xavier_init(size):
    in_dim=size[0]
    xavier_stddev=1./tf.sqrt(in_dim/2.)
    return tf.random.normal(shape=size,stddev=xavier_stddev)

4）再下面是判别器各个权重的设定，当然你也可以设置成两层网络，这里的X只生成器生成的图片。

X=tf.placeholder(tf.float32,shape=[None,784])

D_w1=tf.Variable(xavier_init([784,256]))
D_b1=tf.Variable(tf.zeros(shape=[256]))

D_w2=