网络定义

定义网络，莫凡讲的都是用sequential搭

定义优化器， G=torch.optim.Adam(G.parameter()，lr=LR)

 

　　先得有真实的数据，之前可以定义 def artist_work():

　　　　　　　　　　　　　　　　...

　　　　　　　　　　　　　　　　return paintings

 

在训练过程中才定义损失函数

for step in range(10000):

　　艺术作品 artist_paintings = artist_work()   # 调用这个函数，返回 return paintings

　   生成的作品 G_paintings = G(G_ideas)      # 用随机灵感作为输入，输入到generator中，得到G_paingtings

　　而 G_ideas 是怎么来的，用uniform随机生成的五个，，，因为用的是批次训练，所以写G_ideas = torch.randn( , G_ideas)

　　训练过程中的损失函数，G和D肯定是分开的，，，G希望生成样本的值越大越好，D希望真实样本值越大越好，生成样本的值越小越小。

　　G_loss

　　D_loss

　　

　　每一次训练的时候都需要梯度清零，让优化器梯度清零

　　opt_D.zero_grad()                   opt_G.zero_grad()

　　D_loss.backward()                  G_loss.backward()

　　opt_D.step()                            opt_G.step()

 

这样就可以训练了