九州天空城3d,99精品视频在线观看,18岁禁免费网站

import torch.nn as nn

import torch.optim as optim

import torchvision

import torchvision.transforms as transforms

from torch.utils.data import DataLoader

import numpy as np

import matplotlib.pyplot as plt

# 設(shè)置隨機(jī)種子，確保結(jié)果可復(fù)現(xiàn)

torch.manual_seed(42)

第二步：準(zhǔn)備數(shù)據(jù)集

# 數(shù)據(jù)預(yù)處理和加載



transform = transforms.Compose([



transforms.ToTensor()，



transforms.Normalize((0.5，)， (0.5，))



])



# 加載MNIST數(shù)據(jù)集



train_dataset = torchvision.datasets.MNIST(



root='./data'，



train=True，



transform=transform，



download=True



)



# 創(chuàng)建數(shù)據(jù)加載器



train_loader = DataLoader(



dataset=train_dataset，



batch_size=64，



shuffle=True



)

第三步：構(gòu)建生成器網(wǎng)絡(luò)

class Generator(nn.Module)：



def __init__(self)：



super(Generator， self).__init__()



# 生成器結(jié)構(gòu)：用簡單的全連接層



self.gen = nn.Sequential(



# 輸入是隨機(jī)噪聲(latent_dim)



nn.Linear(100， 256)，



nn.LeakyReLU(0.2)，



nn.BatchNorm1d(256)，



nn.Linear(256， 512)，



nn.LeakyReLU(0.2)，



nn.BatchNorm1d(512)，



nn.Linear(512， 1024)，



nn.LeakyReLU(0.2)，



nn.BatchNorm1d(1024)，



# 輸出層，生成28*28=784維的圖像



nn.Linear(1024， 784)，



nn.Tanh()



)



def forward(self， x)：



return self.gen(x)

第四步：構(gòu)建判別器網(wǎng)絡(luò)

class Discriminator(nn.Module)：



def __init__(self)：



super(Discriminator， self).__init__()



# 判別器結(jié)構(gòu)



self.disc = nn.Sequential(



# 輸入是展平的圖像(784維)



nn.Linear(784， 1024)，



nn.LeakyReLU(0.2)，



nn.Dropout(0.3)，



nn.Linear(1024， 512)，



nn.LeakyReLU(0.2)，



nn.Dropout(0.3)，



nn.Linear(512， 256)，



nn.LeakyReLU(0.2)，



nn.Dropout(0.3)，



# 輸出一個概率值



nn.Linear(256， 1)，



nn.Sigmoid()



)



def forward(self， x)：



return self.disc(x)

第五步：訓(xùn)練模型

# 初始化模型



generator = Generator()



discriminator = Discriminator()



# 損失函數(shù)和優(yōu)化器



criterion = nn.BCELoss()



g_optimizer = optim.Adam(generator.parameters()， lr=0.0002， betas=(0.5， 0.999))



d_optimizer = optim.Adam(discriminator.parameters()， lr=0.0002， betas=(0.5， 0.999))



# 訓(xùn)練參數(shù)



num_epochs = 100



latent_dim = 100



fixed_noise = torch.randn(16， latent_dim)  # 用于可視化



# 訓(xùn)練循環(huán)



for epoch in range(num_epochs)：



for i， (real_images， _) in enumerate(train_loader)：



batch_size = real_images.size(0)



# 準(zhǔn)備真實(shí)和虛假的標(biāo)簽



real_label = torch.ones(batch_size， 1)



fake_label = torch.zeros(batch_size， 1)



# 展平圖像



real_images = real_images.view(-1， 784)



# 訓(xùn)練判別器



d_optimizer.zero_grad()



output_real = discriminator(real_images)



d_loss_real = criterion(output_real， real_label)



# 生成假圖像



noise = torch.randn(batch_size， latent_dim)



fake_images = generator(noise)



output_fake = discriminator(fake_images.detach())



d_loss_fake = criterion(output_fake， fake_label)



# 計(jì)算判別器總損失



d_loss = d_loss_real + d_loss_fake



d_loss.backward()



d_optimizer.step()



# 訓(xùn)練生成器



g_optimizer.zero_grad()



output_fake = discriminator(fake_images)



g_loss = criterion(output_fake， real_label)



g_loss.backward()



g_optimizer.step()



if i % 100 == 0：



print(f'Epoch [{epoch}/{num_epochs}]， Step [{i}/{len(train_loader)}]， '



f'd_loss： {d_loss.item()：.4f}， g_loss： {g_loss.item()：.4f}')

第六步：生成和顯示結(jié)果

def show_images(images)：



plt.figure(figsize=(4， 4))



plt.axis(“off”)



plt.imshow(np.transpose(torchvision.utils.make_grid(



images.reshape(-1， 1， 28， 28)， nrow=4， padding=2， normalize=True



).cpu()， (1， 2， 0)))



plt.show()



# 生成示例圖像



with torch.no_grad()：



fake_images = generator(fixed_noise)



show_images(fake_images)