#coding=utf-8
import torch.autograd
import torch.nn as nn
from torch.autograd import Variable
from torchvision import transforms
from torchvision import datasets
from torchvision.utils import save_image
import os#创建文件夹
if not os.path.exists('./img'):os.mkdir('./img')def to_img(x):out=0.5*(x+1)out=out.clamp(0,1)#Clamp函数可以将随机变化的数值限制在一个给定的区间[min, max]内：out=out.view(-1,1,28,28)#view()函数作用是将一个多行的Tensor,拼接成一行return outbatch_size=128
num_epoch=100
z_dimension=100#图形啊处理过程
img_transform=transforms.Compose([transforms.ToTensor(),transforms.Normalize(mean=(0.5,0.5,0.5),std=(0.5,0.5,0.5))
])#mnist dataset mnist数据集下载
mnist=datasets.MNIST(root='./data/',train=True,transform=img_transform,download=True
)#data loader 数据载入
dataloader=torch.utils.data.DataLoader(dataset=mnist,batch_size=batch_size,shuffle=True
)#定义判别器 #####Discriminator######使用多层网络来作为判别器#将图片28x28展开成784，然后通过多层感知器，中间经过斜率设置为0.2的LeakyReLU激活函数，
# 最后接sigmoid激活函数得到一个0到1之间的概率进行二分类。
class discriminator(nn.Module):def __init__(self):super(discriminator,self).__init__()self.dis=nn.Sequential(nn.Linear(784,256),#输入特征数为784，输出为256nn.LeakyReLU(0.2),#进行非线性映射nn.Linear(256,256),#进行一个线性映射nn.LeakyReLU(0.2),nn.Linear(256,1),nn.Sigmoid()#也是一个激活函数，二分类问题中，# sigmoid可以班实数映射到【0,1】，作为概率值，# 多分类用softmax函数)def forward(self, x):x=self.dis(x)return x####### 定义生成器 Generator #####
#输入一个100维的0～1之间的高斯分布，然后通过第一层线性变换将其映射到256维,
# 然后通过LeakyReLU激活函数，接着进行一个线性变换，再经过一个LeakyReLU激活函数，
# 然后经过线性变换将其变成784维，最后经过Tanh激活函数是希望生成的假的图片数据分布
# 能够在-1～1之间。
class generator(nn.Module):def __init__(self):super(generator,self).__init__()self.gen=nn.Sequential(nn.Linear(100,256),#用线性变换将输入映射到256维nn.ReLU(True),#relu激活nn.Linear(256,256),#线性变换nn.ReLU(True),#relu激活nn.Linear(256,784),#线性变换nn.Tanh()#Tanh激活使得生成数据分布在【-1,1】之间)def forward(self, x):x=self.gen(x)return x#创建对象
D=discriminator()
G=generator()
if torch.cuda.is_available():D=D.cuda()G=G.cuda()#########判别器训练train#####################
#分为两部分：1、真的图像判别为真；2、假的图像判别为假
#此过程中，生成器参数不断更新#首先需要定义loss的度量方式 （二分类的交叉熵）
#其次定义 优化函数,优化函数的学习率为0.0003
criterion = nn.BCELoss() #是单目标二分类交叉熵函数
d_optimizer=torch.optim.Adam(D.parameters(),lr=0.0003)
g_optimizer=torch.optim.Adam(G.parameters(),lr=0.0003)###########################进入训练##判别器的判断过程#####################for epoch in range(num_epoch): #进行多个epoch的训练for i,(img, _) in enumerate(dataloader):num_img=img.size(0)# view()函数作用是将一个多行的Tensor,拼接成一行# 第一个参数是要拼接的tensor,第二个参数是-1# =============================训练判别器==================img = img.view(num_img, -1) # 将图片展开为28*28=784real_img = Variable(img).cuda() # 将tensor变成Variable放入计算图中real_label = Variable(torch.ones(num_img)).cuda() # 定义真实的图片label为1fake_label = Variable(torch.zeros(num_img)).cuda() # 定义假的图片的label为0# 计算真实图片的损失real_out = D(real_img) # 将真实图片放入判别器中d_loss_real = criterion(real_out, real_label) # 得到真实图片的lossreal_scores = real_out # 得到真实图片的判别值，输出的值越接近1越好# 计算假的图片的损失z = Variable(torch.randn(num_img, z_dimension)).cuda() # 随机生成一些噪声fake_img = G(z) # 随机噪声放入生成网络中，生成一张假的图片fake_out = D(fake_img) # 判别器判断假的图片d_loss_fake = criterion(fake_out, fake_label) # 得到假的图片的lossfake_scores = fake_out # 得到假图片的判别值，对于判别器来说，假图片的损失越接近0越好# 损失函数和优化d_loss = d_loss_real + d_loss_fake #损失包括判真损失和判假损失d_optimizer.zero_grad() # 在反向传播之前，先将梯度归0d_loss.backward() # 将误差反向传播d_optimizer.step() # 更新参数# ==================训练生成器============================################################生成网络的训练################################ 原理：目的是希望生成的假的图片被判别器判断为真的图片，# 在此过程中，将判别器固定，将假的图片传入判别器的结果与真实的label对应，# 反向传播更新的参数是生成网络里面的参数，# 这样可以通过更新生成网络里面的参数，来训练网络，使得生成的图片让判别器以为是真的# 这样就达到了对抗的目的# 计算假的图片的损失z = Variable(torch.randn(num_img, z_dimension)).cuda() # 得到随机噪声fake_img = G(z) #随机噪声输入到生成器中，得到一副假的图片output = D(fake_img) # 经过判别器得到的结果g_loss = criterion(output, real_label) # 得到的假的图片与真实的图片的label的loss# bp and optimizeg_optimizer.zero_grad() # 梯度归0g_loss.backward() # 进行反向传播g_optimizer.step() # .step()一般用在反向传播后面,用于更新生成网络的参数#打印中间的损失if (i+1)%100==0:print('Epoch[{}/{}],d_loss:{:.6f},g_loss:{:.6f} ''D real: {:.6f},D fake: {:.6f}'.format(epoch,num_epoch,d_loss.data[0],g_loss.data[0],real_scores.data.mean(),fake_scores.data.mean() #打印的是真实图片的损失均值))if epoch==0:real_images=to_img(real_img.cpu().data)save_image(real_images, './img/real_images.png')fake_images = to_img(fake_img.cpu().data)save_image(fake_images, './img/fake_images-{}.png'.format(epoch+1))
#保存模型
torch.save(G.state_dict(),'./generator.pth')
torch.save(D.state_dict(),'./discriminator.pth')