- 设置超参数。
- (name, preprocess, d_input_func) = ("Data and variances", lambda data: decorate_with_diffs(data, 2.0), lambda x: x * 2)，这句话设置了一个name和两个函数preprocess和d_input_func，前者用于预处理data，后者用于将data乘2。
- 定义函数get_distribution_sampler()通过输入均值和方差，返回正态分布的torch张量，维数是n维。
- 定义函数get_generator_input_sampler()，无输入，返回m×n维的torch张量。
- class Generator定义生成器，class Discriminator定义判别器。
- 定义函数extract()，用于将输入的v矩阵，转换为列表形式。
- 定义函数states()，返回d向量的平均值和标准差。
- 定义函数decorate_with_diffs()，第一行mean = torch.mean(data.data, 1, keepdim=True)用于返回按1维返回data.data的均值保存于mean；第二行mean_broadcast = torch.mul(torch.ones(data.size()), mean.tolist()[0][0])，torch.mul(input, value, out=None)函数用于标量值value乘以input中的所有值，因此mean_broadcast里保存了一组与data维度相同的均值矩阵；第三行diffs = torch.pow(data - Variable(mean_broadcast), exponent)，torch.pow(input, exponent, out=None)函数用于计算input的exponent次幂，因此可以判断这个函数用于预处理数据。
- 下面进入主函数，首先调用get_distribution_sampler()函数，生成1×n维正态分布的torch张量d_sampler，作为真实数据。
- 调用get_generator_input_sampler()函数，生成m×n维的伪造数据，m作为mini_batch。
- 通过三个超参数g_input_size，g_hidden_size，g_output_size构造生成器的神经网络模型G。
- 通过三个超参数d_input_func(d_input_size)，d_hidden_size，d_output_size构造判别器的神经网络模型D，其中d_input_func()函数定义为x*2。
- 定义损失函数标准为nn.BCELoss()，生成器和判别器的优化算法都为Adam算法。
- 进入epoch迭代，分为两部分，首先为判别器的迭代优化，真实数据赋予标签1，backward()反向传递一次，伪造数据赋予标签0，反向传递一次。
- 之后迭代优化生成器，通过随机产生的gi_sampler数据经过G网络产生伪造的数据g_fake_data，g_fake_data经过D网络判别真假，由于G网络生成的数据要用于以假乱真，因此赋予的标签应为1，也就是说判别器越判别成假，则误差越大。产生的误差反向传播用于优化生成器。
代码来源：
https://github.com/devnag/pytorch-generative-adversarial-networks