pytorch生成对抗网络的案例

### PyTorch中的生成对抗网络（GAN）案例与教程 以下是关于PyTorch中生成对抗网络（GAN）的一些经典案例和教程，帮助理解其基本原理并实践具体应用。 #### GAN的基本结构 生成对抗网络由两个主要部分组成：生成器（Generator）和判别器（Discriminator）。生成器负责创建逼真的数据样本，而判别器则用于区分真实数据和生成的数据。两者通过对抗训练不断优化性能[^1]。 #### 使用PyTorch实现基础GAN 下面是一个简单的基于MNIST手写数字数据集的基础GAN实现： ```python import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms from torch.utils.data import DataLoader # 超参数设置 batch_size = 64 latent_dim = 100 epochs = 20 # 数据预处理 transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,)) ]) train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True) dataloader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True) # 定义生成器 class Generator(nn.Module): def __init__(self): super(Generator, self).__init__() self.model = nn.Sequential( nn.Linear(latent_dim, 128), nn.LeakyReLU(0.2, inplace=True), nn.Linear(128, 784), # MNIST图片大小为28x28 nn.Tanh() ) def forward(self, z): img = self.model(z) img = img.view(img.size(0), 1, 28, 28) return img # 定义判别器 class Discriminator(nn.Module): def __init__(self): super(Discriminator, self).__init__() self.model = nn.Sequential( nn.Linear(784, 128), nn.LeakyReLU(0.2, inplace=True), nn.Linear(128, 1), nn.Sigmoid() ) def forward(self, img): img_flat = img.view(img.size(0), -1) validity = self.model(img_flat) return validity # 初始化模型、损失函数和优化器 generator = Generator() discriminator = Discriminator() criterion = nn.BCELoss() # 二元交叉熵损失 optimizer_G = optim.Adam(generator.parameters(), lr=0.0002) optimizer_D = optim.Adam(discriminator.parameters(), lr=0.0002) # 训练过程 for epoch in range(epochs): for i, (imgs, _) in enumerate(dataloader): valid = torch.ones(imgs.size(0), 1) fake = torch.zeros(imgs.size(0), 1) # 训练生成器 optimizer_G.zero_grad() z = torch.randn(imgs.size(0), latent_dim) gen_imgs = generator(z) g_loss = criterion(discriminator(gen_imgs), valid) g_loss.backward() optimizer_G.step() # 训练判别器 optimizer_D.zero_grad() real_loss = criterion(discriminator(imgs), valid) fake_loss = criterion(discriminator(gen_imgs.detach()), fake) d_loss = (real_loss + fake_loss) / 2 d_loss.backward() optimizer_D.step() print(f"[Epoch {epoch}/{epochs}] [D loss: {d_loss.item()}] [G loss: {g_loss.item()}]") ``` 此代码展示了如何使用PyTorch构建一个简单GAN来生成MNIST手写数字图像。 #### 更高级的GAN变体 除了上述基础GAN外，还有许多改进版本可以尝试，例如卷积GAN（DCGAN）、条件式GAN（CGAN）以及Wasserstein GAN（WGAN），这些都可以在实际项目中提供更好的效果[^2]。 #### 学习资源推荐 对于希望深入研究GAN及其在PyTorch上的实现方式的人群，《PyTorch生成对抗网络编程》是一本极佳的选择，它不仅涵盖了理论知识还提供了丰富的实战经验。