pytorch 生成模型（Generative Models） 详细介绍

以下是关于 PyTorch 中生成模型（Generative Models）的详细介绍，包括核心概念、常见模型类型、实现方法及代码示例。

一、生成模型简介

生成模型（Generative Models） 是一类用于学习数据分布并生成新样本的机器学习模型。其目标是捕捉输入数据的潜在分布 P(X)，从而能够生成与训练数据相似的新样本。与判别模型（Discriminative Models）不同，生成模型更关注数据本身的分布特性。

核心任务

1. 生成新样本：从学习到的分布中采样生成新数据。

2. 密度估计：计算给定样本的概率。

3. 隐变量推断：学习数据的潜在表示（Latent Variables）。

二、常见生成模型类型

PyTorch 中常用的生成模型包括：

1. 生成对抗网络（GAN, Generative Adversarial Networks）
   原理：通过生成器（Generator）和判别器（Discriminator）的对抗训练，生成器尝试生成逼真样本，判别器尝试区分真实样本和生成样本。

• 优点：生成样本质量高。

• 缺点：训练不稳定，模式坍塌（Mode Collapse）。

PyTorch 实现示例

import torch
import torch.nn as nn

# 定义生成器
class Generator(nn.Module):
    def __init__(self, latent_dim, img_shape):
        super().__init__()
        self.model = nn.Sequential(
            nn.Linear(latent_dim, 128),
            nn.LeakyReLU(0.2),
            nn.Linear(128, 256),
            nn.LeakyReLU(0.2),
            nn.Linear(256, 784),
            nn.Tanh()
        )
        self.img_shape = img_shape

    def forward(self, z):
        img = self.model(z)
        return img.view(img.size(0), *self.img_shape)

# 定义判别器
class Discriminator(nn.Module):
    def __init__(self, img_shape):
        super().__init__()
        self.model = nn.Sequential(
            nn.Linear(784, 256),
            nn.LeakyReLU(