如何用Pytorch在MNIST数据集上详细实现并分析基础GAN与DCGAN？

本文共计2193个文字，预计阅读时间需要9分钟。

GAN（生成对抗网络）由生成器（Generator）和判别器（Discriminator）组成，旨在生成与真实数据相似的数据。数据包括真实数据（ground truth）和由网络生成的fake数据。目标是生成的fake数据能够以假乱真。

原始生成对抗网络Generative Adversarial Networks GAN包含生成器Generator和判别器Discriminator，数据有真实数据groundtruth，还有需要网络生成的“fake”数据，目的是网络生成的fake数据可以“骗过”判别器，让判别器认不出来，就是让判别器分不清进入的数据是真实数据还是fake数据。总的来说是：判别器区分真实数据和fake数据的能力越强越好；生成器生成的数据骗过判别器的能力越强越好，这个是矛盾的，所以只能交替训练网络。

需要搭建生成器网络和判别器网络，训练的时候交替训练。

首先训练判别器的参数，固定生成器的参数，让判别器判断生成器生成的数据，让其和0接近，让判别器判断真实数据，让其和1接近；

接着训练生成器的参数，固定判别器的参数，让生成器生成的数据进入判别器，让判断结果和1接近。