这篇博客主要是对GAN网络的代码进行一个详细的讲解：
首先是预定义：
clear; clc; %%%clc是清除当前command区域的命令,表示清空,看着舒服些 。而clear用于清空环境变量。两者是不同的。
%%%装载数据集
train_x=load('Normalization_wbc.txt');%train_x就是我们希望GAN网络能够生成与其相似的数据。
[m,n]=size(train_x);%m表示train_x有多少行，n表示有多少列。
%%%定义模型
generator=nnsetup([30,15,30]);%第一个30代表第一层有30个神经元，这是要与train_x的维度相同的，最后一个30也是要与train_x的维度相同。
discriminator=nnsetup([30,15,1]);%第一个30要与生成器的最后一层的神经元个数相同，最后一层是1个神经元，输出的是每个样本来自于真实数据的概率。
%%参数设置
batch_size=m; %batchsize表示一次输入多少样本进行训练，因为我的数据量少，直接全部输入进去就行了。
iteration=100;%迭代多少次，或者说走多少次正向传播。
images_num=m;
batch_num=floor(images_num / batch_size);
learning_rate=0.0001;
其次是根据预定义的网络模型构建神经网络：
function nn=nnsetup(architecture)
nn.architecture= architecture;%%%把预定义的网络结构传递给nn（neuron network）这个结构体
nn.layers_count= numel(nn.architecture);% 计算传递过来的网络结构有多少层
%%%%%%%adam优化器需要设置的参数%%%
nn.t=0;
nn.beta1=0.9;
nn.beta2=0.999;
nn.epsilon=10^(-8);
%%%%%%%%%%%%%%%%%%%%%%%
for i=2:nn.layers_count
nn.layers{i}.w=normrnd(0,0.02,nn.architecture(i-1),nn.architecture(i));%normrnd是指生成正态分布的随机数，第一个数字0表示均值为0，第二个数字0.02表示sigma=0.02,第三个值表示生成的维度大小。例如第三与第四的值分别为30,15，则表示生成30*15的矩阵。
nn.layers{i}.b = normrnd(0, 0.02, 1, nn.architecture(i));%生成偏置
nn.layers{i}.w_m = 0;%好像是跟权重偏置有关的参数，但是都设置为了0，好像没啥意义。
nn.layers{i}.w_v = 0;
nn.layers{i}.b_m = 0;
nn.layers{i}.b_v = 0;
end
end
第3部分：正向传播
function nn=nnff(nn,x)
nn.layers{1}.a=x;%%%将数据集x作为输入层
for i=2:nn.layers_count %%%%nn.layers_count在传入nn时，就已经是网络的层数了
input=nn.layers{i-1}.a;
w=nn.layers{i}.w;
b=nn.layers{i}.b;
nn.layers{i}.z=input * w +repmat(b,size(input,1),1);
if i~=nn.layers_count
nn.layers{i}.a=relu(nn.layers{i}.z);%%%%如果不是最后一层，就过relu激活函数
else
nn.layers{i}.a=sigmoid(nn.layers{i}.z);
end
end
end
第四部分：反向传播，反向传播又分为生成器的反传，判别器的反传
A.判别器的反传
function nn=nnbp_d(nn, y_h, y)
%判别器的输入是生成器的最后一层，输出的数据Fake data 和我们手头有的真实数据train_x，即real data
n=nn.layers_count;
nn.layers{n}.d=delta_sigmoid_cross_entropy(y_h,y); %%%%nn.layers{n}.d表示最后一层的残差
for i=n-1:-1:2%%%n是i的初始值，1是终止值，-1是步长。即从i=n开始，每次都加 -1，即减1，直到i等于1为止.
d=nn.layers{i+1}.d;
w=nn.layers{i+1}.w;
z=nn.layers{i}.z;
nn.layers{i}.d=d*w' .*delta_relu(z);
end
for i=2:n
d=nn.layers{i}.d;
a=nn.layers{i-1}.a;
nn.layers{i}.dw=a'*d /size(d,1);
nn.layers{i}.db=mean(d,1);
end
end
第五部分，生成器的反传
function g_net=nnbp_g(g_net,d_net)
n=g_net.layers_count;
a=g_net.layers{n}.a;
g_net.layers{n}.d=d_net.layers{2}.d*d_net.layers{2}.w' .* (a .*(1-a));
for i=n-1:-1:2
d=g_net.layers{i+1}.d;
w=g_net.layers{i+1}.w;
z=g_net.layers{i}.z;
g_net.layers{i}.d=d*w' .* delta_relu(z);
end
%计算偏导数
for i=2:n
d=g_net.layers{i}.d;
a=g_net.layers{i-1}.a;
g_net.layers{i}.dw=a'*d/size(d,1);
g_net.layers{i}.db=mean(d,1);
end
end
第六部分，激活函数与损失函数
%%%sigmoid激活函数
function output=sigmoid(x)
output=1 ./(1+exp(-x));
end
%%%relu激活函数
function output=relu(x)
output=max(x,0);
end
%%%Leaky_Relu激活函数
function output = Leaky_ReLU(x)
a=2;
if x>=0
output=x;
else
output=x/a;
end
end
%%%%损失函数
%relu对x的导数
function output=delta_relu(x)
output=max(x,0);
output(output>0)=1;
end
%%%%sigmoid交叉熵损失函数
function result=sigmoid_cross_entropy(logits,labels)
result=max(logits,0) -logits .*labels +log(1+exp(-abs(logits)));
result=mean(result);
end
%%%sigmoid交叉熵对logits的导数
function result=delta_sigmoid_cross_entropy(logits, labels)
temp1=max(logits,0);
temp1(temp1>0)=1;
temp2=logits;
temp2(temp2>0)=-1;
temp2(temp2<0)=1;
result=temp1-labels+exp(-abs(logits)) ./ (1+exp(-abs(logits))) .* temp2;
end
第七部分，Adam优化器
%Adam优化器
function nn = nnapplygrade(nn, learning_rate);
n = nn.layers_count;
nn.t = nn.t+1;
beta1 = nn.beta1;
beta2 = nn.beta2;
lr = learning_rate * sqrt(1-nn.beta2^nn.t) / (1-nn.beta1^nn.t);
for i = 2:n
dw = nn.layers{i}.dw;
db = nn.layers{i}.db;
%使用adam更新权重与偏置
nn.layers{i}.w_m = beta1 * nn.layers{i}.w_m + (1-beta1) * dw;
nn.layers{i}.w_v = beta2 * nn.layers{i}.w_v + (1-beta2) * (dw.*dw);
nn.layers{i}.w = nn.layers{i}.w -lr * nn.layers{i}.w_m ./ (sqrt(nn.layers{i}.w_v) + nn.epsilon);
nn.layers{i}.b_m = beta1 * nn.layers{i}.b_m + (1-beta1) * db;
nn.layers{i}.b_v = beta2 * nn.layers{i}.b_v + (1-beta2) * (db .* db);
nn.layers{i}.b = nn.layers{i}.b -lr * nn.layers{i}.b_m ./ (sqrt(nn.layers{i}.b_v) + nn.epsilon);
end
end
第八部分， 上正餐，开始训练GAN。
for i=1:iteration
kk=randperm(images_num);
images_real=train_x;
noise=unifrnd(0,1,m,30);
generator=nnff(generator,noise);
images_fake=generator.layers{generator.layers_count}.a;
discriminator=nnff(discriminator,images_fake);
logits_fake=discriminator.layers{discriminator.layers_count}.z;
discriminator=nnbp_d(discriminator, logits_fake, ones(batch_size,1));
generator= nnbp_g(generator, discriminator);
generator=nnbp_g(generator, discriminator);
generator=nnapplygrade(generator,learning_rate);
%%%%%%%开始更新判别器
generator=nnff(generator,noise);
images_fake=generator.layers{generator.layers_count}.a;
images=[images_fake;images_real];
discriminator=nnff(discriminator,images);
logits=discriminator.layers{discriminator.layers_count}.z;
logits = discriminator.layers{discriminator.layers_count}.z;
labels = [zeros(batch_size,1); ones(batch_size,1)];%预定义一个标签，前面的数据是0，后面的是1，也进行了拼接。
discriminator = nnbp_d(discriminator, logits, labels);%logits与真实的标签进行对比，注意与第29行代码进行对比。
discriminator = nnapplygrade(discriminator, learning_rate);%更新了辨别器网络的权重。
%----输出loss损失
c_loss(i,:) = sigmoid_cross_entropy(logits(1:batch_size), ones(batch_size,1));%这是生成器的损失
d_loss (i,:)= sigmoid_cross_entropy(logits, labels);%判别器的损失
end