#coding=utf-8

#?實現簡單的DCGAN（深度卷積生成對抗網絡）
import?warnings
from?keras.layers?import?Dense?LeakyReLU?BatchNormalization?Input?Dropout
from?keras.layers?import?Activation
import?matplotlib.pyplot?as?plt

from?keras.models?import?Sequential?Model?load_model
from?keras.optimizers?import?adam
from?keras.utils?import?plot_model
warnings.filterwarnings（“ignore“）
import?numpy?as?np
import?csv
from?sklearn.metrics?import?mean_squared_error

def?uniform_sampling（n_sample?dim）:
????#?均勻分布采樣
????return?np.random.uniform（0?1?size=（n_sample?dim））


def?normal_sampling（n_sample?dim）:
????#?均勻分布采樣
????return?np.random.randn（n_sample?dim）


#?構建判別網絡
d_model?=?Sequential（）
d_model.add（Dense（units=64?input_dim=1））
d_model.add（LeakyReLU（alpha=0.2））
d_model.add（BatchNormalization（momentum=0.8））
d_model.add（Dense（256））
d_model.add（LeakyReLU（alpha=0.2））
d_model.add（BatchNormalization（momentum=0.8））
d_model.add（Activation（‘tanh‘））
d_model.add（Dense（1?activation=‘sigmoid‘））??#?輸出樣本標記為1，即假樣本的概率
d_model.summary（）

#?構建生成網絡
g_model?=?Sequential（）
g_model.add（Dense（units=64?input_dim=1））
g_model.add（LeakyReLU（alpha=0.2））
g_model.add（BatchNormalization（momentum=0.8））
g_model.add（Dense（256））
g_model.add（LeakyReLU（alpha=0.2））
g_model.add（BatchNormalization（momentum=0.8））
g_model.add（Activation（‘tanh‘））
g_model.add（Dense（1?activation=‘tanh‘））
g_model.summary（）


class?DCGAN:
????def?__init__（self?d_model?g_model
?????????????????input_dim=1?g_dim=1
?????????????????max_step=200?sample_size=256?d_iter=3?kind=‘normal‘）:
????????self.input_dim?=?input_dim??#?圖像的展開維度，即判別網絡的輸入維度
????????self.g_dim?=?g_dim??#?隨機噪聲維度，即生成網絡的輸入維度
????????self.max_step?=?max_step??#?整個模型的迭代次數
????????self.sample_size?=?sample_size??#?訓練過程中小批量采樣的個數的一半
????????self.d_iter?=?d_iter??#?每次迭代，判別網絡訓練的次數
????????self.kind?=?kind??#?隨機噪聲分布類型

????????self.d_model?=?d_model??#?判別模型
????????self.g_model?=?g_model??#?生成模型
????????self.m_model?=?self.merge_model（）??#?合并模型

????????self.optimizer?=?adam（lr=0.0002?beta_1=0.5）
????????self.d_model.compile（optimizer=self.optimizer?loss=‘binary_crossentropy‘）

????def?merge_model（self）:
????????#?合并生成網絡與判別網絡
????????noise?=?Input（shape=（self.g_dim））
????????gen_sample?=?self.g_model（noise）
????????self.d_model.trainable?=?False??#?固定判別網絡，訓練合并網絡等同與訓練生成網絡
????????d_output?=?self.d_model（gen_sample）
????????m_model?=?Model（noise?d_output）??#?模型輸出生成樣本的預測結果，越接近0越好
????????m_model.compile（optimizer=‘adam‘?loss=‘binary_crossentropy‘）
????????return?m_model

????def?gen_noise（self?num_sample）:
????????#?生成隨機噪聲數據
????????if?self.kind?==?‘normal‘:
????????????f?=?normal_sampling
????????elif?self.kind?==?‘uniform‘:
????????????f?=?uniform_sampling
????????else:
????????????raise?ValueError（‘暫不支持分布{}‘.format（self.kind））
????????return?f（num_sample?self.g_dim）

????def?gen_real_data（self?train_data）:
????????#?真實樣本采樣
????????n_samples?=?train_data.shape[0]
????????i