摘抄别处，供自己学习用
直接上代码，代码如下：
# coding=utf-8
import torch.autograd
import torch.nn as nn
from torch.autograd import Variable
from torchvision import transforms
from torchvision import datasets
from torchvision.utils import save_image
import os
from torch.utils.data import DataLoader
# 创建文件夹
if not os.path.exists('./img'):
os.mkdir('./img')
def to_img(x):
out = 0.5 * (x + 1)
out = out.clamp(0, 1) # Clamp函数可以将随机变化的数值限制在一个给定的区间[min, max]内：
out = out.reshape(-1, 1, 28, 28) # 将一行再次拼接多行 再次形成图片
return out
batch_size = 128
num_epoch = 1000
z_dimension = 50
# 图像预处理
img_transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1,), (0.5,))
])
# mnist dataset mnist数据集下载，没有下载的将download改成True
mnist = datasets.MNIST(
root='./mnist/', train=True, transform=img_transform, download=True
)
# data loader 数据载入
dataloader = DataLoader( dataset=mnist, batch_size=batch_size, shuffle=True
)
# 定义判别器 #####Discriminator######使用多层网络来作为判别器
# 将图片28x28展开成784，然后通过多层感知器，中间经过斜率设置为0.2的LeakyReLU激活函数，
# 最后接sigmoid激活函数得到一个0到1之间的概率进行二分类。
class discriminator(nn.Module):
def __init__(self):
super(discriminator, self).__init__()
self.dis = nn.Sequential(
nn.Linear(784, 512), # 输入特征数为784，输出为512
nn.BatchNorm1d(512),
nn.LeakyReLU(0.2), # 进行非线性映射
nn.Linear(512, 256), # 进行一个线性映射
nn.BatchNorm1d(256),
nn.LeakyReLU(0.2),
nn.Linear(256, 1),
nn.Sigmoid() # 也是一个激活函数，二分类问题中，
)
def forward(self, x):
x = self.dis(x)
return x
####### 定义生成器 Generator #####
# 输入一个50维的0～1之间的高斯分布，然后通过第一层线性变换将其映射到256维,
# 然后通过LeakyReLU激活函数，接着进行一个线性变换，再经过一个LeakyReLU激活函数，
# 然后经过线性变换将其变成784维，最后经过Tanh激活函数是希望生成的假的图片数据分布
# 能够在-1～1之间。
class generator(nn.Module):
def __init__(self):
super(generator, self).__init__()
self.gen = nn.Sequential(
nn.Linear(50, 128),
nn.LeakyReLU(0.2),
nn.Linear(128, 256),
nn.BatchNorm1d(256),
nn.LeakyReLU(0.2),
nn.Linear(256, 512),
nn.BatchNorm1d(512),
nn.LeakyReLU(0.2),
nn.Linear(512, 1024),
nn.BatchNorm1d(1024),
nn.LeakyReLU(0.2),
nn.Linear(1024, 784),
nn.Tanh()
)
def forward(self, x):
x = self.gen(x)
return x
# 创建对象
D = discriminator()
G = generator()
#########判别器训练train#####################
# 分为两部分：1、真的图像判别为真；2、假的图像判别为假
# 此过程中，生成器参数不断更新
# 首先需要定义loss的度量方式 （二分类的交叉熵）
# 其次定义 优化函数,优化函数的学习率为0.0003
loss_function = nn.BCELoss() # 是单目标二分类交叉熵函数
d_optimizer = torch.optim.Adam(D.parameters(), lr=0.0003)
g_optimizer = torch.optim.Adam(G.parameters(), lr=0.0003)
#####################进入训练##判别器的判断过程#####################
for epoch in range(num_epoch): # 进行多个epoch的训练
for i, (img, label) in enumerate(dataloader):
num_img = img.size(0)
# reshape()函数作用是将一个多行的Tensor,拼接成一行
# 第一个参数是要拼接的tensor,第二个参数是-1
# =========================训练判别器=====================
img = img.reshape(num_img, -1) # 将图片展开为28*28=784
real_img = Variable(img) # 将tensor变成Variable放入计算图中
real_label = Variable(torch.ones(num_img)) # 定义真实的图片label为1
fake_label = Variable(torch.zeros(num_img)) # 定义假的图片的label为0
# 计算真实图片的损失
real_out = D(real_img) # 将真实图片放入判别器中 # 得到真实图片的判别值，输出的值越接近1越好
real_out = real_out.squeeze() # (128,1) ---> (128,)
d_loss_real = loss_function(real_out, real_label) # 得到真实图片的loss
real_scores = real_out
# 计算假的图片的损失
z = Variable(torch.randn(num_img, z_dimension)) # 随机生成一些噪声
fake_img = G(z) # 随机噪声放入生成网络中，生成num_img张假的图片 128*784
fake_out = D(fake_img) # 判别器判断假的图片 # 得到假图片的判别值，对于判别器来说，假图片的损失越接近0越好
fake_out = fake_out.squeeze() # (128,1) -> (128,)
d_loss_fake = loss_function(fake_out, fake_label) # 得到假的图片的loss
fake_scores = fake_out
# 损失函数和优化
d_loss = d_loss_real + d_loss_fake # 损失包括判真损失和判假损失
d_optimizer.zero_grad() # 在反向传播之前，先将梯度归0
d_loss.backward() # 将误差反向传播
d_optimizer.step() # 更新参数
# ==================训练生成器============================
################################生成网络的训练###############################
# 原理：目的是希望生成的假的图片被判别器判断为真的图片，
# 在此过程中，将判别器固定，将假的图片传入判别器的结果与真实的label对应，
# 反向传播更新的参数是生成网络里面的参数，
# 这样可以通过更新生成网络里面的参数，来训练网络，使得生成的图片让判别器以为是真的
# 这样就达到了对抗的目的
# 计算假的图片的损失
z = Variable(torch.randn(num_img, z_dimension)) # 得到随机噪声
fake_img = G(z) # 随机噪声输入到生成器中，得到num_img副假的图片
output = D(fake_img) # 经过判别器得到的结果
output = output.squeeze()
g_loss = loss_function(output, real_label) # 得到的假的图片与真实的图片的label的loss
g_optimizer.zero_grad() # 梯度归0
g_loss.backward() # 进行反向传播
g_optimizer.step() # .step()一般用在反向传播后面,用于更新生成网络的参数
# 打印中间的损失
if (i + 1) % 100 == 0:
print('Epoch[{}/{}],d_loss:{:.6f},g_loss:{:.6f} '
'D-real-scores: {:.6f},D-fake-scores: {:.6f}'.format(
epoch, num_epoch, d_loss.data.item(), g_loss.data.item(),
real_scores.data.mean(), fake_scores.data.mean() # 打印的是真实图片的损失均值
))
if (epoch+1) % 2 == 0:
# real_images = to_img(real_img.data)
# save_image(real_images, './img/real_images--{}.png'.format(epoch + 1))
fake_images = to_img(fake_img.data)
# save_image(fake_images, './img/fake_images-{}-{}.png'.format(i, epoch + 1))
# 保存模型
# torch.save(G.state_dict(), './generator.pth')
# torch.save(D.state_dict(), './discriminator.pth')