简介一套面向深度学习初学者的生成对抗网络GAN学习资料以Python源码和通俗讲解为核心覆盖判别模型与生成模型的基本原理。资料通过图像真假概率判断、随机噪声输入生成图像等直观例子帮助读者快速掌握GAN的神经网络结构与训练迭代思维。压缩包共11个文件以5张训练过程效果图、1个Python脚本、Markdown说明文档和Word版详细讲解为主并附有LICENSE、gitignore等工程配置文件整体体积仅630KB轻量易用。代码脚本中包含了生成器与判别器的定义、训练循环及损失函数计算等关键模块配合文档中的原理梳理既能理解理论又能动手实践。训练效果图分别对应迭代500次与1000次时的生成结果便于直观对比不同阶段的收敛情况。已有360人学习适合正在学习生成对抗网络或需要快速上手的开发者借鉴实现思路对照代码与效果图理解其工作机制。1. 这份 GAN 代码解压之后你面对的是什么「基于Python的生成对抗网络GAN.zip」这个标题在课程设计和毕业设计里出现的频率相当高。解压之后你会发现里面装的基本上是同一套骨架数据加载、生成器、判别器、训练循环、可视化出图五块拼起来就能让模型在你自己的电脑上画出以假乱真的图片。GAN 的思路不难——生成器负责造假判别器负责抓假两个网络在对抗里互相逼着进步——正因为结构足够直白很多人才把它当作深度学习的入门首选。但「能跑通」和「能讲清」是两回事。我相信不少人是照着压缩包里的代码跑出了图却在写报告或答辩时卡在「为什么这里用 BCEWithLogitsLoss」「为什么判别器输出不加 Sigmoid」「为什么损失曲线波动这么大」这些细节上。这篇文章就把我从这类项目里反复拆出来的通用路径讲清楚网络结构怎么改、训练循环每一行在做什么、参数怎么调、踩坑点在哪最后告诉你怎样从「跑通一份代码」升级到「能回答任何追问」。适合刚开始接触 GAN、需要短期交出一份可演示成果的读者如果你已经在做特征编辑或高分辨率生成这套基础框架对你来说就太浅了。2. 生成器与判别器先把两个网络拆明白一份能用 Python 跑起来的 GAN 代码核心无非是一个生成器、一个判别器和一段训练循环。很多人第一步就跑偏在「想先看懂全部代码」其实没必要。你只要先搞清楚两个网络的输入、输出和各自的任务剩下的事情会顺很多。2.1 解压后先认清单这份代码通常由哪几块组成我经手过不少这类压缩包结构上大同小异通常包含下面几类东西。动手前先按这张表把文件归归类能省很多时间文件或目录作用动手优先级model.py生成器 Generator 和判别器 Discriminator 的定义先读这是核心train.py数据加载、训练循环、损失计算先读utils.py图片保存、噪音生成、日志辅助函数需要时再读dataset/或data/训练用的图片数据集先确认是否存在requirements.txtPython 依赖列表第一个执行报告或说明文档背景和原理介绍写完代码再回头看如果你拿到的是课程设计项目代码里大概率用的是 MNIST 手写数字或 CIFAR-10 这类公开图片数据集。常见做法是先把图片统一缩放到固定尺寸比如 64×64再归一化到 [-1, 1] 区间。这个区间和生成器最后的 Tanh 激活是配套的后面会详细说。我在动手前习惯先做一个动作注释掉训练循环只打印两个网络的输入输出形状把维度验证一遍再开训。这一步能过滤掉八成以上的低级错误。# 只做形状检查不训练 z torch.randn(2, 100, 1, 1) # 模拟 batch2, 100维噪声 out generator(z) print(生成器输出:, out.shape) # 期望 (2, 3, 64, 64) d_out discriminator(out) print(判别器输出:, d_out.shape) # 期望 (2, 1) 或 (2,)这段代码的目的是在训练之前就确认维度链路是通的。噪声张量是(batch, latent_dim, 1, 1)因为转置卷积需要四维输入。判别器输出最后会被压成一个标量logit表示「这张图是真的」的置信度。2.2 生成器 G从噪声到图片的转置卷积路径生成器的目标很纯粹吃进一段随机噪声吐出一张图。噪声维度latent_dim通常取 100你可以理解成 100 个随机旋钮模型要学会把这 100 个旋钮拧成一张有意义的图片。网络结构用转置卷积逐层放大特征图尺寸从 4×4 一路放大到最终的 64×64。class Generator(nn.Module): def __init__(self, latent_dim100): super().__init__() # 输入: (batch, 100, 1, 1) # 输出: (batch, 3, 64, 64)3 表示 RGB 三通道 self.main nn.Sequential( nn.ConvTranspose2d(latent_dim, 512, 4, 1, 0, biasFalse), nn.BatchNorm2d(512), nn.ReLU(True), nn.ConvTranspose2d(512, 256, 4, 2, 1, biasFalse), nn.BatchNorm2d(256), nn.ReLU(True), nn.ConvTranspose2d(256, 128, 4, 2, 1, biasFalse), nn.BatchNorm2d(128), nn.ReLU(True), nn.ConvTranspose2d(128, 64, 4, 2, 1, biasFalse), nn.BatchNorm2d(64), nn.ReLU(True), nn.ConvTranspose2d(64, 3, 4, 2, 1, biasFalse), nn.Tanh() # 把输出压缩到 [-1, 1]和归一化区间保持一致 ) def forward(self, z): return self.main(z)生成器每一层都在做「放大」kernel_size4、stride2、padding1的组合会让特征图尺寸翻倍。从 4×4 开始经过四层放大到 64×64正好匹配输入图片尺寸。中间的 BatchNorm 和 ReLU 是标配。最后一层不用 BatchNorm直接接 Tanh这是原版 DCGAN 留传下来的经验最后一层的激活值范围要保持稳定不能继续做归一化。这样设计的理由有三条。第一转置卷积是卷积的逆操作能把低分辨率特征恢复成高分辨率图片是 GAN 生成器的主流选择第二每一层通道数递减、分辨率递增符合「先画轮廓、再补细节」的生成逻辑第三Tanh 的 [-1, 1] 输出区间是刻意和训练数据归一化区间对齐的如果数据归一化到 [0, 1] 而生成器输出 [-1, 1]损失函数会永远优化不到理想状态。2.3 判别器 D判断真假的关键在池化和归一化判别器和生成器正好相反它的任务是判断一张图是真是假。结构上是「编码器」风格分辨率逐层减半通道数逐层翻倍最后输出一个标量。常见的实现里不用常规池化而是用带步长的卷积来做下采样这个细节值得注意。class Discriminator(nn.Module): def __init__(self): super().__init__() # 输入: (batch, 3, 64, 64) # 输出: (batch,) 每个元素是一个 logit self.main nn.Sequential( nn.Conv2d(3, 64, 4, 2, 1, biasFalse), # 64 - 32 nn.LeakyReLU(0.2, inplaceTrue), nn.Conv2d(64, 128, 4, 2, 1, biasFalse), # 32 - 16 nn.BatchNorm2d(128), nn.LeakyReLU(0.2, inplaceTrue), nn.Conv2d(128, 256, 4, 2, 1, biasFalse), # 16 - 8 nn.BatchNorm2d(256), nn.LeakyReLU(0.2, inplaceTrue), nn.Conv2d(256, 512, 4, 2, 1, biasFalse), # 8 - 4 nn.BatchNorm2d(512), nn.LeakyReLU(0.2, inplaceTrue), nn.Conv2d(512, 1, 4, 1, 0, biasFalse), # 4 - 1 ) def forward(self, img): return self.main(img).view(-1) # 摊平成每个样本一个 logit第一层 Conv2d 后面没有跟 BatchNorm这是一个容易被忽略的细节。原因是判别器第一层直接处理原始像素如果立刻做归一化会让网络过于依赖全局统计信息而削弱局部特征的区分能力。LeakyReLU 用的是 0.2 的负斜率它允许一点点负值梯度流过避免判别器进入「全面拒绝」的死区——这个设计直接关系到训练稳定性。关于判别器输出我反复强调一个点输出层不加 Sigmoid。代码里返回的是 raw logit配合BCEWithLogitsLoss一起用。为什么不直接加 Sigmoid因为BCEWithLogitsLoss内部已经在数值稳定算法里合并了 Sigmoid 和交叉熵计算直接用它比分两步做更稳、梯度也更好。课程里经常会看到两份代码一份在判别器里写了 Sigmoid另一份没有其实都对只不过写法的数值路径不一样但习惯上主流实现都用不带 Sigmoid 的版本。3. 训练循环让两个网络互相逼着进步网络结构看完接下来是整个项目最微妙的部分——训练。GAN 的训练不是普通监督学习那样「喂数据、算损失、回传梯度」就完事而是两个网络轮流训练像两个玩家在过招。这一章的代码是必须逐行看懂的。3.1 训练循环代码先更新 D再更新 G训练循环的套路非常固定每个 batch 里先更新判别器再更新生成器。判别器的训练数据有两批——真实图片和生成器刚造出来的假图片生成器的训练数据只有一批就是「被判别器判定为假」的假图片它的目标是想办法让判别器相信假图片是真的。criterion nn.BCEWithLogitsLoss() opt_g torch.optim.Adam(net_g.parameters(), lr2e-4, betas(0.5, 0.999)) opt_d torch.optim.Adam(net_d.parameters(), lr2e-4, betas(0.5, 0.999)) real_label 0.9 # 单侧标签平滑不让判别器“过分自信” fake_label 0.0 for epoch in range(epochs): for i, (imgs, _) in enumerate(dataloader): imgs imgs.to(device) # ---------- 第一步更新判别器 ---------- z torch.randn(imgs.size(0), latent_dim, 1, 1, devicedevice) fake net_g(z) # 生成器造一批假图 # 真实图片的损失目标是靠近 0.9 loss_d_real criterion(net_d(imgs), torch.full((imgs.size(0),), real_label, devicedevice)) # 假图片的损失目标是靠近 0.0 loss_d_fake criterion(net_d(fake.detach()), torch.full((imgs.size(0),), fake_label, devicedevice)) loss_d loss_d_real loss_d_fake opt_d.zero_grad() loss_d.backward() opt_d.step() # ---------- 第二步更新生成器 ---------- z torch.randn(imgs.size(0), latent_dim, 1, 1, devicedevice) fake net_g(z) # 生成器希望假图被判成真目标也是 0.9 loss_g criterion(net_d(fake), torch.full((imgs.size(0),), real_label, devicedevice)) opt_g.zero_grad() loss_g.backward() opt_g.step()代码里有两个关键细节必须理解。第一个是fake.detach()更新判别器时假图片是生成器前向传出来的如果不 detach梯度会顺着判别器一路流回生成器把生成器也顺带更新了这不符合「轮流更新」的设定。detach 相当于把生成器从这个计算图里摘出去只让判别器承担这次更新的梯度。第二个细节是生成器损失里没有fake.detach()——这一次梯度就是要穿过判别器传回生成器让生成器知道「怎么改才能骗过判别器」。再看标签设置。真实标签用 0.9 而不是 1这叫单侧标签平滑。原因很实在如果判别器对真实图片的输出被严格要求到 1它就会变得过度自信梯度会迅速消失生成器就学不到东西了。给真实标签留一点点误差能显著减缓判别器「碾压」生成器的速度。3.2 核心参数lr、batch size、epoch、latent 都怎么定参数这块不用自己从头试前面的经验已经给出了一套默认值。我在不同数据集上验证过下面这组参数在不同数据集上有普适性参数推荐值说明lr2e-4生成器和判别器都用这个值过高会震荡betas(0.5, 0.999)Adam 的 beta1 必须从默认 0.9 降到 0.5否则训练不稳定batch_size64显存不够就降到 32低于 16 会导致梯度噪声太大epochs50-200数据集小的用 50CIFAR-10 这类建议 100latent_dim100从 64 到 128 都常见太低容易模式坍塌图片尺寸64×64与生成器最后一层的 Tanh 输出匹配这里最容易被忽略的是betas这个参数。PyTorch 里 Adam 默认的 beta1 是 0.9那是为普通监督学习设的用在 GAN 上往往二阶动量积累过快导致生成器训练到一半停滞。DCGAN 的设计者很早就发现beta1 改成 0.5 之后训练稳定性有明显提升。如果你拿着压缩包里的代码跑出来效果差优先检查这一项。数据加载部分同样有一行值得注意——归一化到 [-1, 1]transform transforms.Compose([ transforms.Resize(64), # 统一到 64x64 transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) ])这行Normalize用均值和标准差都是 0.5 做标准化等价于把像素从 [0, 1] 映射到 [-1, 1]。它和生成器最后一层的 Tanh 是配套的。如果把归一化去掉Tanh 输出的 [-1, 1] 范围和输入数据 [0, 1] 范围不匹配判别器会非常容易一眼识破假图因为分布范围本身就不同。3.3 训练中的观察点损失曲线和生成图怎么配合看新手最容易盯着损失函数绝对值看这是个典型误区。GAN 的损失下降不代表生成效果变好因为 G 和 D 是对抗关系一方涨另一方往往跌。正确做法是看两个损失之间的相对走势并且每隔几个 epoch 存一张生成图片来辅助判断。我一般会在训练循环里每 5 个 epoch 保存一次生成图if epoch % 5 0: with torch.no_grad(): z torch.randn(64, latent_dim, 1, 1, devicedevice) sample net_g(z).cpu().detach() # 把 64 张图拼成一张 8x8 的网格图片 grid torchvision.utils.make_grid(sample, nrow8, normalizeTrue) transforms.ToPILImage()(grid).save(fepoch_{epoch}.png)判断训练是否正常的经验有三个。第一看生成图是否从纯噪声逐渐变成有轮廓的物体这个比损失值可靠得多。第二看判别器损失是否长期趴在 0 附近——如果是说明判别器「赢麻了」生成器在梯度消失的困境里需要按下一章的思路调整。第三看生成器的损失是不是呈现「涨跌交替」的锯齿状这是两个网络在博弈的正常形态反而是健康信号。注意训练 GAN 时不要指望损失曲线单调下降。只要生成图在肉眼层面越变越好训练方向就没问题。4. GAN 训练避坑损失曲线乱飞时先查这五处GAN 训练让人头疼的地方在于它没有像普通分类任务那样一个「准确率」指标让你判断好坏。图像模糊、颜色怪异、重复生成同一张图各可能对应完全不同的原因。我把这类项目里出现频率最高的坑整理成五条每一条我都见过不止一个人踩进去。现象、原因、解决你直接对着查就行。4.1 判别器过强D 的损失先归零G 产出灰块现象训练没几十个 epoch判别器的损失跌到接近 0生成器损失飙到很高生成的图片是一块灰蒙蒙的噪点或纯色块。原因判别器太强了。它把真实图和假图区分得毫不费力生成器的梯度几乎消失无论怎么调整都没法从判别器那里学到「该怎么改进」的信号。解决三选一即可。第一把判别器的学习率调低一半比如变成 1e-4让生成器有机会「追上」第二给判别器加 Dropout比如在最后一层前加nn.Dropout(0.3)削弱它的判断力第三减少判别器每轮更新的频率比如每训练两次生成器才训练一次判别器人为放慢判别器的进步速度。4.2 模式坍塌和震荡生成图只有几张损失曲线在跳现象生成的图片看起来「还行」但翻来覆去就那么几张面孔或几种样式多样性很差。同时损失曲线上下剧烈跳动不收敛。原因生成器找到了判别器的漏洞——只要生成某几个固定模式就总能骗过关于是它放弃了探索其他模式这就是模式坍塌。损失震荡则往往是两个网络的学习率都偏高互相「追尾」导致的不收敛。解决把latent_dim从 100 调到 128给生成器更多表达空间同时把两个网络的学习率适当错开比如生成器保持 2e-4、判别器降到 1e-4。如果模式坍塌依然存在可以在每组真实图片里混入少量生成图片再训练判别器这是叫「经验回放」的思路很多课程代码里没有但加了之后多样性改善明显。4.3 显存爆炸跑不起来不一定是代码问题现象启动训练后几秒钟显存报错提示CUDA out of memory。原因最常见的原因是 batch size 太大或者图片尺寸设置过高。转置卷积和卷积层会同时在显存中保存中间特征图GAN 一个 batch 里同时存在真实图、生成图、判别器中间变量显存占用比普通分类模型要高得多。解决优先把batch_size从 64 降到 32 或 16这是最直接的杠杆。其次把图片尺寸从 64×64 降到 32×32但要注意这个改动会让生成器的转置卷积结构失效——因为生成器把 4×4 放大到 64×64输入图片变小了就需要相应的结构调整。如果只是做验证性实验可以用 MNIST 数据集的 28×28 原图配合调整后的网络结构。4.4 复现不了结果固定种子是第一件事现象同一份代码换一台电脑或者在同一个环境里跑两次生成结果差异巨大有时效果好有时效果差。原因训练 GAN 存在巨大的「随机性敏感」——权重初始化、数据打乱顺序、每轮采样的噪声向量任何一处的随机性都会影响几十个 epoch 后的结果。PyTorch 默认不固定种子每次运行都是不同的初始状态。解决训练脚本头部固定三条能保证在同一个环境下结果可复现import random import numpy as np import torch random.seed(42) np.random.seed(42) torch.manual_seed(42) if torch.cuda.is_available(): torch.cuda.manual_seed_all(42)注意这只能保证「同一个环境、同一个 PyTorch 版本」下的可复现。换了显卡或升级了框架版本结果仍然会有偏差这是正常的。停下来想一想你要的是「稳定拿到一张像样的结果」而不是「精确复现某个数值」在这个前提下随机性敏感的问题就没那么吓人了。4.5 图片模糊像水彩画转置卷积的棋盘效应现象生成图片整体结构合理但细节区域有明显的网格状纹理像格纹桌布越靠近边缘越明显。原因这是转置卷积的经典问题。kernel_size 为 4、stride 为 2 的上采样会在特征图上产生不均匀的重叠频率高的区域被重复加权最终形成棋盘格伪影。解决最省事的方案是确认 kernel_size、stride、padding 是否满足kernel_size % stride 0目前的4 / 2 2是满足的如果数值不满足就会更严重。进阶方案是换用nn.Upsample(scale_factor2, modenearest)配合普通卷积替代转置卷积让上采样和卷积解耦棋盘效应基本消失代价是参数量略增。课程设计不必走到这一步但如果你追求生成质量这是绕不开的升级点。5. 从能跑通到讲得清验证与答辩的进阶准备代码跑通、图片出图这只是完成了一半。真正拉开差距的地方在于你怎么证明这个 GAN 是有效的以及别人质疑你时你能不能接得住。这一章讲两件事——怎么验证生成质量、答辩时最可能被追问的问题。5.1 三种验证手段肉眼、FID、特征可视化验证生成质量有三种常用手段复杂度递增。第一种是肉眼检查最常见也最容易糊弄过去。做法是固定随机种子、固定一批 z 向量然后记录不同 epoch 下这批向量生成图片的变化。如果随着 epoch 增加相同输入 z 产生的输出逐渐从噪声变成结构清晰的物体说明生成器学到的是映射关系而不是在背训练集。第二种是 FID即 Frechet Inception Distance。它用 Inception 网络提取真实图和生成图的特征再计算两组特征分布的差异。FID 越低说明分布越接近是论文和毕业设计里比较可信的量化指标。计算起来一行代码就能接入现有 PyTorch 代码# 需要额外安装 pytorch-fid 工具包 from pytorch_fid import fid_score fid_value fid_score.calculate_fid_given_paths( [real_dir, fake_dir], # 两个文件夹真实图、生成图 batch_size32, devicecuda, dims2048 ) print(fFID: {fid_value})第三种是特征可视化。把生成图片批量送进判别器或一个预训练分类模型取出中间层特征做 t-SNE 降维观察生成图的特征是否和真实图混叠在一起。真实图和生成图的特征点如果能明显分开说明生成器还没骗过判别器这个验证手段直观且答辩时很有说服力。5.2 答辩必问的三个问题提前想好答案做课程设计或毕业设计时评委追问的问题其实高度集中。我整理过三个出现频率最高的问题第一个问题「为什么判别器输出不加 Sigmoid」答案可以清晰地分两步训练时用BCEWithLogitsLoss它在内部已经合并了 Sigmoid 和交叉熵数值上更稳定如果要做概率展示再单独调torch.sigmoid转换即可两者用的模型权重完全相同。第二个问题「生成器的损失为什么用的是真实标签而不是假标签」因为生成器的目标就是骗过判别器——它希望判别器把假图判定为真实图。如果给生成器也发「假图」的标签它就没有学习方向了。第三个问题「训练不稳定的根源是什么」标准回答是两个网络的目标函数是相互对抗的学习率相同、结构不对称时一方容易压倒另一方导致梯度消失或模式坍塌。合理的解决方向是降低学习率、给判别器做标签平滑、保证两个网络的复杂度大致匹配。我自己在这类项目里养成的习惯是第一次训练跑通之后立刻把「固定随机种子 保存每一阶段的生成图 记录关键超参数」这三件事做掉。很多人在调参调到最后才发现自己根本不知道哪组参数产生了哪张图全部白调。先把这个底子打好后面任何优化才谈得上可比较、可复现。另外保存图片时记得在文件名里带上 epoch 和 lr不然三天后再看你根本想不起那张效果最好的图是用什么参数跑出来的——这种教训我见过太多次了。希望帮到你。本文还有配套的精品资源点击获取