生成网络的作用是输入一行正态分布的随机数，生成MNIST手写体图片，因此它的输入是一个随机向量，输出为手写数字图片。这里定义向量长度为100，图像大小为（28，28，1）。示例代码如下：
def build_generator（self）：
noise_shape=（100，）
model=Sequential（）
#layer1（None，100）＞＞（None，256）
model. add（Dense（256，input_shape=noise_shape））
model. add（LeakyReLU（alpha=0.2））
model. add（BatchNormalization（momentum=0.8））
#layer2（None，256）＞＞（None，5 12）
model. add（Dense（5 12））
model. add（LeakyReLU（alpha=0.2））
model. add（BatchNormalization（momentum=0.8））
#layer3（None，5 12）＞＞（None，1024）
model. add（Dense（1024））(www.xing528.com)
model. add（LeakyReLU（alpha=0.2））
model. add（BatchNormalization（momentum=0.8））
#layer4（None，1024）＞＞（None，784）
#np. prod返回数组内元素的乘积
model. add（Dense（np.prod（self.img_shape），activation=＇tanh'））
#784=＞（28，28，1）
model. add（Reshape（self.img_shape））
model. summary（）
noise=Input（shape=noise_shape）
img=model（noise）
return Model（noise, img）
从上面的代码可以看出，生成器采用了包含三个隐含层的全连接网络，输入为长度100的向量，输出为长度784的向量，对应28×28×1的图像。其目标是将一维的向量转换为对应图像的二维矩阵，代码中采用了批量标准化BatchNormaliza-tion。其目的是对数据进行预处理，让平均值接近于0，标准差接近1，可以消除数据在数值上的大幅变化对网络学习的影响，突出数据的概率分布特点，有助于加速网络收敛。此外，生成器网络的隐含层采用了LeakyReLU激活函数，输出层采用了tanh激活函数。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
