生成对抗网络GAN（MNIST实现、时间序列实现）

生成对抗网络介绍

生成对抗网络（Generative Adversarial Network，简称GAN）是一种深度学习模型，由Ian Goodfellow等人于2014年提出。它由两个主要组件组成：生成器（Generator）和判别器（Discriminator）。GAN的目标是通过两个网络之间的对抗学习来生成逼真的数据。

1. 生成器（Generator）： 生成器是一个神经网络，它接收一个随机噪声向量作为输入，并试图将这个随机噪声转换为逼真的数据样本。在训练过程中，生成器不断试图提高生成样本的质量，使其能够欺骗判别器。初始阶段生成的样本可能不够真实，但随着训练的进行，生成器逐渐学会生成更加逼真的数据样本。
2. 判别器（Discriminator）： 判别器也是一个神经网络，它的任务是区分真实数据样本和由生成器生成的假样本。它类似于一个二分类器，努力将输入样本分为“真实”和“假”的两个类别。在训练过程中，判别器通过不断学习区分真实样本和生成样本，使得判别器的准确率不断提高。

GAN的训练过程是一个对抗过程：

1. 生成器通过将随机噪声转换为生成样本，并将这些生成样本传递给判别器。
2. 判别器根据传递给它的真实样本和生成样本对其进行分类，并输出相应的概率分数。
3. 根据判别器的输出，生成器试图生成能够欺骗判别器的更逼真的样本。
4. 这个过程不断重复，直到生成器生成的样本足够逼真，判别器无法准确区分真假样本。

通过这种对抗学习的过程，GAN能够生成高质量的数据样本，广泛应用于图像、音频、文本等领域。然而，训练GAN也存在一些挑战，如训练不稳定、模式崩溃等问题，需要经验丰富的研究人员进行调优和改进。

MNIST—GAN

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.transforms as transforms
from torchvision.datasets import MNIST
from torch.utils.data import DataLoader
import matplotlib.pyplot as plt

# 定义生成器和判别器的类
class Generator(nn.Module):
    def __init__(self, z_dim=100, hidden_dim=128, output_dim=784):
        super(Generator, self).__init__()
        self.gen = nn.Sequential(
            nn.Linear(z_dim, hidden_dim),
            nn.LeakyReLU(0.01),
            nn.Linear(hidden_dim, hidden_dim * 2),
            nn.LeakyReLU(0.01),
            nn.Linear(hidden_dim * 2, output_dim),
            nn.Tanh()
        )

    def forward(self, noise):
        return self.gen(noise)

class Discriminator(nn.Module):
    def __init__(self, input_dim=784, hidden_dim=128):
        super(Discriminator, self).__init__()
        self.disc = nn.Sequential(
            nn.Linear(input_dim, hidden_dim * 2),
            nn.LeakyReLU(0.01),
            nn.Linear(hidden_dim * 2, hidden_dim),
            nn.LeakyReLU(0.01),
            nn.Linear(hidden_dim, 1),
            nn.Sigmoid()
        )

    def forward(self, image):
        return self.disc(image)

# 定义训练函数
def train_gan(generator, discriminator, dataloader, num_epochs=50, z_dim=100, lr=0.0002):
    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
    generator.to(device)
    discriminator.to(device)
    
    gen_optim = optim.Adam(generator.parameters(), lr=lr)
    disc_optim