听说GAN很高大上，其实就这么简单

本文使用的tensorflow版本：1.4

tensorflow安装：pip install tensorflow

1、先来目睹一下效果吧

这篇文章讲解了如何使用GAN来生成我们的手写数字，我们首先来看看生成的效果吧：

10轮：

50轮：

100轮：

200轮：

可以看到，在10轮的时候，我们的Generator生成的图片非常模糊，几乎是无法用肉眼来分别数字的，到了第50轮的时候，已经初见雏形了，有一些数字比如1、4、5这些都可以很清楚的分辨出来，不过还并不是十分完美。到了100轮的时候，像数字8和9这些也基本能准确的生成了，而到200轮的时候，除去个别的以外，基本上都能正确的手写出来了，由于时间的原因，没有继续训练下去，如果大家感兴趣，可以训练更多轮，看看更好的效果。

2、思路解析

设定参数

本文设定的参数是，图片的大小是28*28，这是mnist图片的标准大小，后面是一些保存模型的设定。我们总共的训练轮数是500轮。在我们的Generator和Discriminator中，我们设定的是一个简单的有两层隐藏层的全链接神经网络。对于Generator来说，输入的的大小是[batch_size,z_size]，第一个隐藏层有150个神经元，第二个隐藏层有300个神经元，输出的大小就是图片的size28*28。而对于Discriminator来说，我们的输入的大小是[batch_size * 2,img_size]，因为我们要掺杂真实的img和Generator生成的img。第一个隐藏层有300个神经元，第二个隐藏层有150个神经元，输出层只有1个数，表示该图片为真实图片的概率。关于神经网络的结构我们会在后面详细讲解。

创建Generator

刚才也讲到了，对于Generator来说，输入的的大小是[batch_size,z_size]，第一个隐藏层有150个神经元，第二个隐藏层有300个神经元，输出的大小就是图片的size28*28。总的来说，经过Generator，由[batch_size,z_size] 变为 [batch_size,img_size]

创建Discrminator

而对于Discriminator来说，我们的输入的大小是[batch_size * 2,img_size]，因为我们要掺杂真实的img和Generator生成的img。第一个隐藏层有300个神经元，第二个隐藏层有150个神经元，输出层只有1个数，表示该图片为真实图片的概率。要注意，我们的输入和输出是严格对应的，所以对于输出成的输出h3来说，前batch_size个代表着对真实图片的判别概率，而后batch_size代表着对Generator生成的图片的判别概率。这里是用了一个tf.slice()函数，之前没有接触过，故在这里做一下记录：

1，函数原型 tf.slice(inputs,begin,size,name='')

2，用途：从inputs中抽取部分内容

inputs：可以是list,array,tensor

begin：n维列表，begin[i] 表示从inputs中第i维抽取数据时，相对0的起始偏移量，也就是从第i维的begin[i]开始抽取数据

size：n维列表，size[i]表示要抽取的第i维元素的数目

所以可以看到，最终y_data保存的是真实图片的判别概率，这些值要越接近于1越好，而y_generated保存的是Generator生成的图片的判别概率，这些值要越接近于0越好。

保存图片

关于保存图片的代码，我们这里就不讲了，这也不是重点，大家有兴趣的话可以研究下：

设定训练目标

对于Discriminator来说，他希望能够使二分类的结果越准确越好，即越能准确判别真实图片和Generator生成的图片越好，所以我们这里使用类似于逻辑回归中的损失函数，而对于Generator来说，它希望的是Discriminator无法分辨它生成的图片，所以它希望Discriminator能将它生成的图片越多的分类为真实图片，所以我们设定的训练目标如下：

训练

训练其实很简单，每次得到batch_size大小的样本，先训练一次Discriminator，然后再训练我们的Generator

3、完整代码

本文涉及到的完整代码如下：