生成对抗网络（GAN）生成手写数字图片实验

一、实验目的

1. 理解生成对抗网络（GAN）的基本结构与对抗训练原理。
2. 掌握生成器（Generator）与判别器（Discriminator）的功能与关系。
3. 基于 MNIST 手写数字数据集，使用 GAN 实现手写数字 5 的自动生成。
4. 观察训练过程中损失函数变化，分析模型训练效果。

---

二、实验环境

• 训练设备：CPU
• 开发语言：Python
• 框架：PyTorch
• 数据集：MNIST 手写数字数据集（train-images-idx3-ubyte 等本地文件）
  • 训练用：train-images-idx3-ubyte + train-labels-idx1-ubyte
    • 用train-images作为真实样本，训练生成器和判别器
    • 用train-labels筛选出数字 5 的样本，实现 “仅生成数字 5” 的需求
  • 测试用：t10k-images-idx3-ubyte + t10k-labels-idx1-ubyte
    • 可用于验证模型泛化能力，或对比生成图像与真实测试图像的相似度
• 训练轮数：20轮/30轮

Python项目结构如下：

your_project/
├── data/
│   └── MNIST/
│       └── raw/
│           ├── train-images-idx3-ubyte
│           ├── train-labels-idx1-ubyte
│           ├── t10k-images-idx3-ubyte
│           └── t10k-labels-idx1-ubyte
└── gan_mnistdemo.py  # 我们要写的代码

---

三、实验原理

GAN 由生成器和判别器两个网络组成，二者进行对抗训练：

1. 生成器：输入随机噪声，生成假的手写数字图片，目标是骗过判别器。
2. 判别器：输入图片，判断是真实图片还是生成图片，目标是准确区分真假。
3. 训练过程：二者相互博弈、交替更新，最终达到纳什均衡，生成器可输出高质量手写数字。

GAN的基本框架

---

四、实验要求

1. 从网上或者教师提供的数据集中下载 MNIST 数据集，并使用 PyTorch 的 torchvision 库进行数据预处理。
2. 设计生成器（Generator）和判别器（Discriminator）的网络结构，并使用 PyTorch 的 nn.Module 类进行实现。
3. 每个固定代数生成一次图片，比较随代数增加图像的清晰程度。思考在一定清晰程度之后图像清晰度不在变化的原因。
   • 训练轮数：20轮/30轮

五、实验结果与分析（含日志说明

示例图

截自己的图，并说明含义

六、实验心得体会

结合实验结果书写体会