Um exemplo simples de implementação de GAN usando PyTorch

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),