图：pixabay

本文作者是waya.ai的创始人Michael Dietz，该作者对生成式对抗网络（GANs）颇有研究,本文，他就深入浅出地为我们介绍了深度学习领域中最火的研究方向，以及面临的相关问题。

对抗学习（Adversarial learning）是深度学习中最受欢迎的领域之一。如果你浏览过arxiv-sanity（http://www.arxiv-sanity.com/）的话，你就会注意到，当前最受欢迎的研究领域的大多数都是在研究这一方向。

使用TensorFlow v2.0实现逻辑斯谛回归

此示例使用简单方法来更好地理解训练过程背后的所有机制

MNIST数据集概览

此示例使用MNIST手写数字。该数据集包含60,000个用于训练的样本和10,000个用于测试的样本。这些数字已经过尺寸标准化并位于图像中心，图像是固定大小(28x28像素)，其值为0到255。

在此示例中，每个图像将转换为float32，归一化为[0,1]，并展平为784个特征（28 * 28）的1维数组。

说到GAN其实大部分应用都来自于图像处理，而说到图像处理，实际拿手，专业的还是CNN卷积网络。昨天举例子的GAN网络大家也看到了，使用的是普通的神经网络进行处理的。而所谓的DCGAN其实实现GAN对抗网络组网的方式完全不变的，变化的是网络模型本身，由普通的神经网络，变成了卷积网络。所以DCGAN本身的要点不在于GAN，而在于DC上面，我们一个来看。

首先，我们先来看看判别网络，我先直接上代码：

首先，和普通的CNN不同，这里的CNN网络是没有池化层的，那如何将维度变小呢？这里用到的是strides=2，就是移动窗口变成2来降低窗口大小。

Tensorflow的名称直接来自其核心框架：Tensor 。在Tensorflow中，所有计算都涉及张量。张量是n维的向量或矩阵，表示所有类型的数据。张量中的所有值都保持具有已知（或部分已知）形状的相同数据类型 。数据的形状是矩阵或数组的维数。

张量可以源自输入数据或计算结果。在TensorFlow中，所有操作都在图内部进行 。图是一组连续发生的计算。每个操作都称为操作节点，并相互连接。

图概述了节点之间的操作和连接。但是，它不显示值。节点的边缘是张量，即用数据填充操作的方法。

一、什么是过拟合 (Overfitting)

Overfitting 也被称为过度学习，过度拟合。 它是机器学习中常见的问题。

最有效的方式是通过识别精度判断模型是否存在过拟合：比较模型对验证集和训练集的识别精度，如果验证集识别精度大幅低于训练集，则可以判断模型存在过拟合。

举个Classification（分类）的例子。

图中黑色曲线是正常模型，绿色曲线就是overfitting模型。尽管绿色曲线很精确的区分了所有的训练数据，但是并没有描述数据的整体特征，对新测试数据的适应性较差。

Series

构造函数

Series([data, index, dtype, name, copy, …])：带轴标签的一维ndarray（包括时间序列）.

属性

Axes

Series.index：系列的索引（轴标签）

Series.values：返回系列为ndarray或ndarray-like取决于dtype