在2.2节中，我们进行了大量的工作来编写GAN的框架，并熟悉了它的使用。这意味着，当我们从生成简单的1010格式规律过渡到生成看起来像手写数字的图像时，所需的工作量相对减少了。
让我们从架构图开始。 
如图所示，总体的架构仍然保持不变。真实图像由我们在第1章中使用过的MNIST数据集提供。生成器的任务是生成相同大小的图像。随着训练的进展，我们希望生成的图像越来越真实，并可以骗过鉴别器。
在构建代码时，我们将复制之前构建MNIST分类器以及用于生成1010格式规律GAN的代码。
2.3.1 数据类
我们将使用torch.utils.data.Dataset从CSV文件源载入MNIST数据，它是PyTorch提供的类。我们可以直接复制之前创建的MnistDataset类，无须任何改变。
Dataset类将数据包装成张量。对于每个样本，它返回一个代表实际数字的标签、一个0～1的像素值，以及一个独热目标张量。
加载完成后，我们可以通过绘制样本图像，测试Dataset类是否可以正常工作。
2.3.2 MNIST鉴别器
GAN里面的鉴别器是一个分类器。我们已经为MNIST图像构建了一个分类器。事实上，MNIST分类器的代码几乎与我们在1010 GAN中使用的完全相同。唯一的区别是神经网络的大小。
这里，我们可以复制2.2.2节中的鉴别器代码，只需要对神经网络层的大小作出调整即可。
鉴别器类中的其他部分保持不变，包括forward()、train()以及plot_progress()函数。
2.3.3 测试鉴别器
在构建生成器之前，我们先测试鉴别器，确保它至少能将真实图像与随机噪声区分开。由于我们在第1章已经构建了一个类似的神经网络用于数字图像分类，这个测试应该不成问题。
以下代码将使用60 000幅训练集中的真实图像，奖励鉴别器将训练数据判别为真，也就是输出1.0。
对于每个真实数据样本，我们使用generate_random（784）生成一幅由随机像素值组成的反例图像。我们训练鉴别器识别这些伪造数据，目标输出为0.0。
单元格上方的%%time指令帮助我们了解训练所需的时间，耗时应在2分30秒左右。
让我们绘制训练期间损失值的变化。 
如上图所示，损失值下降并一直保持接近0的值，这正是我们希望达到的效果。
让我们通过从训练集中随机挑选一些图像和一些随机噪声图像作为输入来测试经过训练的鉴别器。 
2.3.4 MNIST生成器
现在，让我们看一个更有趣的生成器。
我们需要生成器可以生成跟MNIST数据集中图像格式相同的、包含28×28=784像素的图像。
首先，我们将鉴别器的神经网络反转。反转后的网络的输出层有784个节点，隐含层有200个节点，输入层有1个节点。下图中并列显示了生成器网络和鉴别器网络。可以清楚地看到，生成器所输出的784个像素值正是鉴别器所期待的输入。
在之前的1010 GAN中，训练后的生成器可以生成符合1010格式规律的输出。这里，我们不希望每次的输出都相同，而希望它输出不同的、代表训练数据中所有数字的图像。例如，我们希望它生成的图像看起来像3、7、4、9等。
让我们思考如何实现这一愿景。我们知道，对于给定的输入，神经网络的输出是恒定的。请注意，对于神经网络，只有训练是部分随机的，计算给定输入的输出不是随机的。
这就需要我们改变生成器的输入，使它不再使用之前的常数0.5。我们在每个训练循环中，将一个随机值输入生成器。 我们更新架构图，加入这个随机种子（random seed）。
为什么将随机种子输入生成器有助于生成器生成不同的图像？
实际上，我们还不能确定其原因。但是，我们可以寄希望于生成器学习为不同的输入生成不同的输出。例如，它可能学到，对0.0～0.2的输入生成代表3的图像，或对0.4～0.6的输入生成代表9的图像等。
生成器的代码直接复制1010 GAN的生成器代码，只对神经网络层的大小做出改变。
2.3.5 检查生成器输出
在训练GAN之前，让我们检查一下生成器的输出格式是否正确。
我们创建一个新的生成器对象，并输入一个随机种子，即得到一个输出张量。我们可以通过utput.shape来确认该张量有784个值。
作为图像，我们可以看到它非常不规则。这是因为生成器还没有经过训练。如果此时图像中有任何图案，则表示出现问题。
2.3.6 训练GAN
让我们开始训练这个GAN。训练循环与2.2.6节所述一模一样，唯一不同的是鉴别器和生成器的输入数据。
训练需要几分钟。以我训练的情况为例，训练耗时4分钟多一点。计数器每隔10 000个训练样本打印一次，直到增加到120 000为止。这是因为鉴别器训练了60 000个MNIST图像和60 000个生成的图像。
让我们绘制训练期间鉴别器的损失值。
这是一幅有意思的图! 损失值先下降到0，并在一段时间内保持在较低水平，表明鉴别器领先于生成器。接着，损失值上升到略低于0.25的位置，这表明鉴别器和生成器旗鼓相当。不过，鉴别器随后再次发力，损失值下降并保持在较低水平。
回顾一下，理想的损失值应该在0.25左右，也就是鉴别器和生成器达到平衡。其中，鉴别器无法肯定地从生成的图像中区分真实图像。如果鉴别器的损失值趋近于0，表明该生成器没能学会骗过鉴别器。让我们再看看生成器的训练损失图。
起初，鉴别器能够正确识别生成的图像，这是损失值偏高的原因。接着，生成器和鉴别器达到一些平衡，损失值下降到0.25上方并保持一段时间。训练的后半部分，随着鉴别器再次超过生成器，损失值再度升高。
接下来，让我们看一下生成器输出的图像。这不仅仅是为了好玩，而是从中找到有用的信息。
由于不同的随机种子应该生成不同的图像，我们绘制多个输出图像并查看它们。 
这段代码使用matplotlib的功能，创建一个包含多幅图像的网格。这里创建的是3×2的网格，包含6幅生成图像。
我们首先注意到，生成的图像不是随机噪声，而是有某种形状。图像中间有较暗的区域，与真实的手写数字图像很像，这很好。更妙的是，这些图像看起来确实像某个数字。我觉得图像是9，不过有读者也可能认为是5。
即使图中显示的数字并不完美，这仍是一个不错的开端。我们用相对简单的代码实现了一个重要的里程碑。要记住，生成器并没有直接看过MNIST数据集中的图像，但是它已经学会了创建类似的图像。 这些图像不是随机噪声，而是几乎可被识别的手写数字。
文章出处登录后可见！
