有用点赞哦
学习机器学习到一定程度之后，一般会先看他的损失函数是什么，看他的训练集是什么，训练集是什么，代表我使用模型的时候，输入是什么类型的数据。
对抗神经网络其实可以这样子理解，网上一直说生成器和判别器的概念，没有触及到本质。
我有一种看法：假如当前场景是输入模糊图片，然后输出高质量图片。当判别器和生成器本来就是一个模型，在不把判别器生成器拆开的时候，我输入一张图片，这个模型输出的是0和1，那这个整体模型的作用就是判断这个图片是不是高清图片，训练集是【模糊图片，0】，【高清图片，1】，通过这种方式进行反向传播。但是现在的目的不是判断他是不是高质量图片，而是要他给我生成高质量图片，所以要在中间切开变成两份，前一份模型修改一下输出，让他输出的是一张图片的格式矩阵，后一份模型修改一下输入，让他输入的是一张图片的格式矩阵，就像个协议一样前一半后一半规格一样就可以接起来，你可能会说我不改变他的输入输出本来的规格也一样啊，但是我说了规格变成一张图片，那人不就是看懂了吗，原来中间切开的输出，人看不懂啊，也不符合我要实现输入模糊图片，输出高清图片的目的。
判别器：判别器是单独训练
训练集就是【真实图片， 1】，【虚假图片， 0】，一个批次有2种训练集，大概如下
第一种：【【真实图片， 1】，【真实图片， 1】，【真实图片， 1】，【真实图片， 1】】
第二种：【【虚假图片， 0】，【虚假图片， 0】，【虚假图片， 0】，【虚假图片， 0】】
所以会产生两种损失：
真实图片的损失
discriminator.train()d_loss1 = discriminator(images, real_targets)
利用生成器生成图片，然后丢到判别器
with torch.no_grad():generated_images = generator(batch_size)# Loss with generated image inputs and fake_targets as labelsd_loss2 = discriminator(generated_images, fake_targets)
两种损失加起来，然后反向传播
d_loss = d_loss1 + d_loss2d_optimizer.zero_grad()d_loss.backward()d_optimizer.step()
生成器：生成器的训练是将 生成器 和 判别器 整合一起训练，我还没完全理解，后续再看看
反向传播的过程，使用损失值对生成器的参数进行反向传播，更新生成器的权重。判别器的权重在这一步保持不变。
单独创建两个优化器，用哪个优化器，就更新哪个模型的权重，这里有两个模型
# Optimizersg_optimizer = torch.optim.Adam(generator.parameters(), lr=g_lr)d_optimizer = torch.optim.Adam(discriminator.parameters(), lr=d_lr)
单独更新
# Generate images in train modegenerator.train()generated_images = generator(batch_size)# Loss with generated image inputs and real_targets as labelsg_loss = discriminator(generated_images, real_targets)# Optimizer updates the generator parametersg_optimizer.zero_grad()g_loss.backward()g_optimizer.step() # 更新生成器权重
