一，mnist数据集 形如上图的数字手写体就是mnist数据集。 二，GAN原理(生成对抗网络) GAN网络一共由两部分组成：一个是伪造器(Generator，简称G)，一个是判别器(Discrimniator，简称D) 一开始，G由服从某几个分布(如高斯分布)的噪音组成，生成的图片不断送给D判断是否正确，直到G生成的图片连D都判断以为是真的。D每一轮除了看过G生成的假图片以外，还要见数据集中的真图片，以前者和后者得到的损失函数值为依据更新D网络中的权值。因此G和D都在不停地更新权值。以下图为

mnist的手写数字对抗代码 产生器生成了伪造的代码 生成器和判别器的权重已经训练好了！ 打开，运行可以直接生成伪造的手写数字图片

手写数字生成 PyTorch实现-使用MNIST数据集的GAN模型生成/识别手写数字 项目目标 目标是使用在MNIST数据集上训练的生成对抗网络（GAN）生成新的手写数字。 GAN（生成对抗网络） GAN最早是在2014年由Ian Goodfellow和Yoshua Bengio实验室的其他人报道的。 从那时起，GAN爆炸式增长。 GAN的思想是使用两个网络相互竞争，即生成器G和鉴别器D。 生成器使“伪”数据传递到鉴别器。 鉴别器还可以看到真实的训练数据，并预测接收到的数据是真实的还是伪造的。