Generative_Adversarial_Networks_LS:用Pytorch编写的GAN 源码

生成对抗网络 GAN的应用很多,但是在这里我将实现一些概念证明,以便更好地学习该网络的基础并使用Pytorch进行编码。 内容 1- GAN-MNIST:在MNIST数据集上使用线性层实现的GAN 优化程序判别器:Adam,学习率= 0.0002,β=(0.4,0.999)。 优化程序生成器:Adam,学习率= 0.0002,β=(0.4,0.999)。 标准:二元交叉熵 30纪元 2- GAN-CELEBA:受过训练的Generator在CELEBA数据集上使用它,已个性化以从GAN_GUI.py启动,DCGAN在< >上进行了解释