生成式对抗网络是一种用于训练生成器模型的深度学习体系结构。GAN由两个模型组成，一个称为生成器(Generator)，另一个称为判别器(Discriminator)。顾名思义，生成器生成新样本，判别器负责对生成的样本进行真伪分类。

GAN实际如何运作的？

判别器模型的性能用于更新生成器和判别器本身的网络权重。生成器实际上从未看到过数据，而是根据判别器的性能不断地进行调整，更具体地说，是根据从判别器传回来的误差梯度进行调整。生成器逐渐学会通过产生与真实样本完全相同的样本来欺骗判别器。

在这篇文章中，我们将选择一个简单的一维函数来直观地理解GAN。本文分为5个部分：

选择一个一维函数实现判别器模型实现生成器模型训练GAN模型性能评估1.一维函数

我们需要选择一个一维函数来制作模型。一维函数的形式为

y = f(x)，其中x是输入，y是对应的输出

为简单起见，我将使用函数y = x。您可以自由选择任何函数。我们将保持输入在-0.5和+0.5之间。下面给出了一个计算输入的简单函数 ：

该函数简单地接受N个随机值，并将每个值减去0.5，以便将输入范围保持在-0.5和+0.5之间。当为real时y=1，当为fake时y=0。

2.判别器模型

判别器只是一个简单的分类模型，它可以预测样本是real还是fake。判别器将两个实数值的样本作为输入，并输出样本是real还是fake。我们处理的问题非常简单，所以我们不需要非常复杂的神经网络，我们将只采用一个隐藏层，其中有25个节点。您可以自由地试验节点数或层数，以提高生成器的准确性。我们将对隐藏层使用ReLu激活，对输出层使用sigmoid激活。Python实现如下：

3.生成器模型

对于生成器，我们将噪声输入提供给生成器，此噪声输入也称为潜在变量。

潜在变量是潜在空间中的隐藏变量或未观察到的变量，潜在空间是这些变量的多维空间。

直到我们的生成器受到训练并赋予这些点意义，该潜在空间才有意义，这些点被映射到判别器的输入。我们将定义一个3维的潜在空间(可以更改维数)，并实验生成器的行为和准确度如何变化。我们将对潜在空间中的每个变量使用高斯分布。生成器使用一个隐藏层，该隐藏层将由15个具有ReLu激活函数的神经元组成。输出层将由两个神经元组成，这两个神经元将连接到判别器层的输入。

4.训练GAN模型

训练GAN模型的方法有很多，最简单的方法是创建一个新的模型，该模型由生成器和判别器两部分组成。我们只是在逻辑上封装了生成器和判别器网络。我们将把GAN模型作为一个整体进行训练，这样来自判别器的反向传播误差也会更新生成器的权重。如果判别器能够很好地进行分类，那么生成器的权重将更新得更多；如果判别器不能很好地进行分类，那么生成器的权重将更新得少一些。这样，在生成器和判别器之间就形成了一种对抗关系。Python实现代码如下：

判别器模型的可训练属性被设置为false，这样就可以仅对standalone模型进行训练。

现在我们只剩下对GAN模型进行整体训练了。我们将编写一个函数来做这个的事情。该函数将运行10000个epochs，每运行2000个epochs，它将评估判别器和生成器的性能。Python实现的代码如下：

5.评估性能

在每隔一定的epochs之后，我们将调用show_performance函数，该函数将从生成器中获取真实样本和虚假样本并预测结果。我们还将在散点图上绘制结果，以便我们可以查看GAN的性能。Python实现的代码如下：

在epoch = 2000之后，我们得到了散点图如下，您的图可能会有所不同。

红点表示real点，蓝点表示生成器生成的点。我们可以看到，蓝点已开始呈y =x的形状。

如果我们继续进行10000个epochs，您将得到类似下面的图像。您可以尝试使用更多个epochs(例如15000或20000个epochs)来获得更好的准确性。

现在我们可以看到，我们已经从生成器中得到了一个更确定的样本，我们可以说生成器已经学习并拟合了这个函数。也就是说，仅仅通过误差梯度，生成器就学会了这个函数。