作者：梅昊铭
GAN全称是 Generative Adversarial Network，即生成对抗网络。Generative 学习一个生成式模型；Adversarial 使用对抗的方法训练；Networks 使用神经网络。GAN 模型是一种通过对抗的方式去学习数据分布的生成式模型，其核心思想就是通过生成式网络G（Generator）和判别网络D（Discriminator）不断博弈，来达到生成真数据的目的。 Ge GAN的思想启发自博弈论中的零和游戏，包含一个生成网络 G 和一个判别网络 D：
G是一个生成式的网络，它接收一个随机的噪声 Z，通过 Generator 生成假数据D是一个判别网络，判别输入数据的真实性。它的输入是X，输出D(X)代表X为真实数据的概率训练过程中，生成网络G的目标是尽量生成真实的数据去欺骗判别网络D。而D的目标就是尽量辨别出G生成的假数据和真数据。这个博弈过程最终的平衡点是纳什均衡点本教程利用Pytorch来搭建一个简单GAN网络来生成MINIST数据。实验中采用的本地环境配置为 python == 3.7.7，torch.version==1.6.1。采用的线上人工智能建模平台是 Mo。请在实验前配置好本地的Python环境，或者直接使用线上平台。 项目地址：https://momodel.cn/workspace/5f8914daed01547e8804ede7/app
首先，我们导入相应的Python包，并配置实验的设备环境。
# 导包 import torch import torch.nn as nn import torch.nn.functional as F import torch.optim as optim from torchvision import datasets, transforms from torch.autograd import Variable from torchvision.utils import save_image # 设备配置 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')加载MINIST数据集，同时做transform预处理。
bs = 128 # 加（下）载 MNIST 数据集 transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize(mean=(0.5,), std=(0.5,))]) train_dataset = datasets.MNIST(root='./mnist_data/', train=True, transform=transform, download=True) test_dataset = datasets.MNIST(root='./mnist_data/', train=False, transform=transform, download=False) # Data Loader train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=bs, shuffle=True) test_loader = torch.utils.data.DataLoader(dataset=test_dataset, batch_size=bs, shuffle=False)定义生成器G 类, 该生成器由四个全连接层组成；此处亦可使用卷积层、池化层、BatchNormalize层等创建判别器，注意输入输出的向量维度即可。
class Generator(nn.Module): # 生成器由四个全连接层组成 def __init__(self, g_input_dim, g_output_dim): super(Generator, self).__init__() self.fc1 = nn.Linear(g_input_dim, 256) self.fc2 = nn.Linear(self.fc1.out_features, self.fc1.out_features*2) self.fc3 = nn.Linear(self.fc2.out_features, self.fc2.out_features*2) self.fc4 = nn.Linear(self.fc3.out_features, g_output_dim) # 定义前向传播 def forward(self, x): x = F.leaky_relu(self.fc1(x), 0.2) x = F.leaky_relu(self.fc2(x), 0.2) x = F.leaky_relu(self.fc3(x), 0.2) return torch.tanh(self.fc4(x))定义判别器D 类，该判别器由四个全连接组成；同理，此处也可采用卷积池化层来创建判别器，读者可自行尝试。
class Discriminator(nn.Module): # 判别器由四个全连接层组成 def __init__(self, d_input_dim): super(Discriminator, self).__init__() self.fc1 = nn.Linear(d_input_dim, 1024) self.fc2 = nn.Linear(self.fc1.out_features, self.fc1.out_features//2) self.fc3 = nn.Linear(self.fc2.out_features, self.fc2.out_features//2) self.fc4 = nn.Linear(self.fc3.out_features, 1) # 定义前向传播 def forward(self, x): x = F.leaky_relu(self.fc1(x), 0.2) x = F.dropout(x, 0.3) x = F.leaky_relu(self.fc2(x), 0.2) x = F.dropout(x, 0.3) x = F.leaky_relu(self.fc3(x), 0.2) x = F.dropout(x, 0.3) return torch.sigmoid(self.fc4(x))利用上述定义好的生成器、判别器类，创建生成器和判别器实例。
# 噪声维度 z_dim = 100 # train_data.size(): (-1, 28, 28) mnist_dim = train_dataset.train_data.size(1) * train_dataset.train_data.size(2) G = Generator(g_input_dim = z_dim, g_output_dim = mnist_dim).to(device) D = Discriminator(mnist_dim).to(device)在训练模型之前，我们需要先确定的损失函数和优化器，这里采用交叉熵作为损失函数，使用Adam优化器。
# 定义交叉熵损失函数 criterion = nn.BCELoss() # 定义优化器 lr = 0.0002 G_optimizer = optim.Adam(G.parameters(), lr = lr) D_optimizer = optim.Adam(D.parameters(), lr = lr)定义判别器的训练过程。判别器的训练过程由两部分组成，一部分为真实数据产生的Loss， 一部分为对抗样本产生的数据。我们希望判别器D能够准确地区分出真实数据和对抗样本。所以我们将真实数据的标签设置为1， 对抗样本的标签设置为0，分别计算两部分的Loss，求和作为判别器的Loss并优化。
def D_train(x): # ================================================================== # # 训练判别模型 # # ================================================================== # D.zero_grad() # 真实数据，标签为1 x_real, y_real = x.view(-1, mnist_dim), torch.ones(bs, 1) x_real, y_real = Variable(x_real.to(device)), Variable(y_real.to(device)) # 计算real_损失 # 使用公式 BCE_Loss(x, y): - y * log(D(x)) - (1-y) * log(1 - D(x))，来计算realimage的判别损失 # 其中第二项永远为零，因为real_labels == 1 D_output = D(x_real) D_real_loss = criterion(D_output, y_real) D_real_score = D_output # 在对抗样本，标签为0 z = Variable(torch.randn(bs, z_dim).to(device)) # 生成模型根据随机输入生成fake_images（对抗样本） x_fake, y_fake = G(z), Variable(torch.zeros(bs, 1).to(device)) # 使用公式 BCE_Loss(x, y): - y * log(D(x)) - (1-y) * log(1 - D(x))，来计算fakeImage的判别损失 # 其中第二项永远为零，因为fake_labels == 0 D_output = D(x_fake) D_fake_loss = criterion(D_output, y_fake) D_fake_score = D_output # 反向传播和优化 D_loss = D_real_loss + D_fake_loss D_loss.backward() D_optimizer.step() return D_loss.data.item()定义生成器的训练过程。首先由生成器G，产生一个对抗样本z。我们希望判别器D对该样本的是判别结果D(z) = 1,所以这里我们将z的标签设置为1，计算生成器的Loss并优化。
def G_train(x): # ================================================================== # # 训练生成模型 # # ================================================================== # G.zero_grad() # 生成模型根据随机输入生成fake_images（标签为1）,然后判别模型进行判别 z = Variable(torch.randn(bs, z_dim).to(device)) y = Variable(torch.ones(bs, 1).to(device)) G_output = G(z) D_output = D(G_output) G_loss = criterion(D_output, y) # 反向传播和优化 G_loss.backward() G_optimizer.step() return G_loss.data.item()具体的训练过程为，先训练一次判别器D，再训练一次生成器G，然后循环。
n_epoch = 10 loss_file = open("loss.txt", 'w') for epoch in range(1, n_epoch+1): D_losses, G_losses = [], [] for batch_idx, (x, _) in enumerate(train_loader): # 丢弃不满整个batch_size的数据 if(len(x) != bs): continue D_losses.append(D_train(x)) G_losses.append(G_train(x)) loss_file.write('[{}/{}]: loss_d: {:.3f}, loss_g: {:.3f}\n'.format((epoch), n_epoch, torch.mean(torch.FloatTensor(D_losses)), torch.mean(torch.FloatTensor(G_losses)))) loss_file.close()