Abaixo está um exemplo simples de implementação de uma GAN usando PyTorch. Supõe-se aqui que você já entenda os princípios básicos do GAN e tenha o PyTorch instalado.
Primeiro, precisamos definir o gerador e o discriminador. O gerador é uma rede neural que recebe ruído aleatório como entrada e gera uma imagem falsa. O discriminador é outra rede neural que recebe uma imagem como entrada e gera um valor que indica se a imagem é real ou não.
```python importar tocha importar tocha.nn como nn importar tocha.optim como otimizado
class Generator(nn.Module): def init (self, latent_dim, img_shape): super(). init () self.img_shape = img_shape
self.model = nn.Sequential(
# 输入为随机噪声, 输出为 (batch_size, 128, 4, 4)
nn.Linear(latent_dim, 128 * 4 * 4),
nn.BatchNorm1d(128 * 4 * 4),
nn.LeakyReLU(0.01),
nn.Reshape(128, 4, 4),
# 输出为 (batch_size, 128, 8, 8)
nn.ConvTranspose2d(128, 128, 4, 2, 1),
nn.BatchNorm2d(128),
nn.LeakyReLU(0.01),
# 输出为 (batch_size, 128, 16, 16)
nn.ConvTranspose2d(128, 128, 4, 2, 1),
nn.BatchNorm2d(128),
nn.LeakyReLU(0.01),
# 输出为 (batch_size, 3, 32, 32)
nn.ConvTranspose2d(128, 3, 4, 2, 1),
nn.Tanh()
)
def forward(self, z):
return self.model(z)
class Discriminator(nn.Module): def init (self, img_shape): super(). init () self.model = nn.Sequential( # 输入为 (batch_size, 3, 32, 32) nn.Conv2d(3, 128, 4, 2, 1),