一、什麼是GAN?
2014年，IanGoodfellow和他在蒙特利爾大學的同事發表了一篇令人驚歎的論文（GANs），提出了GANs（生成式對抗網絡）。 他們通過創新性地組合計算圖和博弈論，展示了給定足夠的建模能力，兩個相互對抗的模型能夠通過普通的反向傳播進行共同訓練.
模型扮演了兩個不同的（確切地說，是對抗的）的角色。 給定一些真實數據集R，G是生成器，試圖創建看起來像真實數據的假數據，而D是判別器，從真實數據集或G中獲得數據並標記差異。Goodfellow給了一個很貼切的比喻，G像一夥努力用他們的輸出匹配真實圖畫的僞造者，而D是一幫努力鑑別差異的偵探。（唯一的不同是，僞造者G永遠不會看到原始數據 –而只能看到D的判斷。他們是一夥盲人騙子）。
理想狀態下，D和G將隨着時間的推移而變得更好，直到G真正變成了原始數據的“僞造大師”，而D則徹底迷失，“無法分辨真假”。
二、五十行Pytorch搭建GAN
這種強大的技術似乎需要大量的代碼纔可以，但是使用PyTorch，我們實際上可以在50行代碼下創建一個非常簡單的GAN。只需要考慮5個組件：
R：原始的、真正的數據；
I：進入生成器作爲熵源的隨機噪聲；
G：努力模仿原始數據的生成器；
D：努力將G從R中分辨出來的判別器；
訓練循環，我們在其中教G來迷惑D，教D鑑別G。
（1）R：在我們的例子中，我們將從最簡單的R- 一個鐘形曲線開始。 鐘形函數採用均值和標準差，並返回一個函數，該函數提供了使用這些參數的高斯分佈的正確形狀的樣本數據。在我們的示例代碼中，我們將使用均值4.0和標準差1.25。
def get_distribution_sampler(mu, sigma):
return lambda n: torch.Tensor(np.random.normal(mu, sigma, (1, n))).to(device)
（2）I：進入生成器的輸入也是隨機的，但是爲了使我們的工作更難一點，讓我們使用一個均勻分佈，而不是一個普通的分佈。這意味着我們的模型G不能簡單地移動/縮放輸入以複製R，而是必須以非線性方式重塑數據。
def get_generator_input_sampler():
return lambda m, n: (torch.rand(m, n)).to(device)
（3）G：生成器是一個標準的前饋網絡 - 兩個隱藏層，三個線性映射。我們使用ELU（exponential linear unit，ELU）。 G將從I獲得均勻分佈的數據樣本，並以某種方式模仿來自R的正態分佈樣本。
#生成器模爲全連接層
class Generator(nn.Module):
def __init__(self, input_size, hidden_size, output_size, f):
super(Generator, self).__init__()
self.map1 = nn.Linear(input_size, hidden_size)
self.map2 = nn.Linear(hidden_size, hidden_size)
self.map3 = nn.Linear(hidden_size, output_size)
self.f = f
def forward(self, x):
x = self.map1(x)
x = self.f(x)
x = self.map2(x)
x = self.f(x)
x = self.map3(x)
return x
（4）D：鑑別器代碼與生成器G的代碼非常相似;具有兩個隱藏層和三個線性映射的前饋網絡。 它將從R或G獲取樣本，並將輸出介於0和1之間的單個標量，解釋爲“假”與“真”。
#鑑別器模型
class Discriminator(nn.Module):
def __init__(self, input_size, hidden_size, output_size, f):
super(Discriminator, self).__init__()
self.map1 = nn.Linear(input_size, hiddsen_size)
self.map2 = nn.Linear(hidden_size, hidden_size)
self.map3 = nn.Linear(hidden_size, output_size)
self.f = f
def forward(self, x):
x = self.f(self.map1(x))
x = self.f(self.map2(x))
return self.f(self.map3(x))
（5）最後，訓練在兩種模式之間循環交替：首先在真實數據與假數據上用準確的標籤訓練D，; 然後用不準確的標籤訓練G來愚弄D。