在Wasserstein GAN (WGAN) 中，生成器（Generator）通常只使用噪声向量作为输入来生成数据。这个噪声向量通常来自于一个先验分布，比如正态分布，它是一个随机的输入。生成器的任务是从这个噪声向量中生成数据，这些数据在分布上尽可能接近于真实数据的分布。
WGAN的生成过程通常不涉及除噪声之外的输入数据。这是因为生成器的目标是无条件地生成数据，即不需要任何额外的条件或输入就能生成样本。这与传统的生成模型（如条件生成对抗网络，Conditional GAN）不同，后者需要额外的条件信息（如标签、文本描述或其他数据）来生成特定的样本。
在WGAN中，生成器的架构可以是任意的，但通常包括以下几类网络结构：
1. **全连接层（Fully Connected Layers）**：在早期的GAN研究中，生成器通常由几层全连接层组成。
2. **卷积层（Convolutional Layers）**：对于图像数据，生成器通常由转置卷积层（也称为反卷积层）组成，这些层能够将低维的噪声向量上采样成高维的数据。
3. **归一化层（Normalization Layers）**：如批量归一化（Batch Normalization）或层归一化（Layer Normalization），这些层有助于稳定训练过程。
4. **激活函数（Activation Functions）**：如ReLU、LeakyReLU等，用于引入非线性。
5. **输出层**：通常包括一个激活函数，如Tanh或Sigmoid，来将输出值规范到特定的范围内，例如[-1, 1]或[0, 1]。
以下是一个简单的生成器示例，它使用PyTorch定义了一个基于全连接层的生成器：
```python
import torch
import torch.nn as nnclass Generator(nn.Module):
def __init__(self, z_dim, img_size):
super(Generator, self).__init__()
self.main = nn.Sequential(
nn.Linear(z_dim, 256),
nn.LeakyReLU(0.2, inplace=True),
nn.Linear(256, 512),
nn.LeakyReLU(0.2, inplace=True),
nn.Linear(512, 1024),
nn.LeakyReLU(0.2, inplace=True),
nn.Linear(1024, img_size),
nn.Tanh()
) def forward(self, z):
return self.main(z)# 创建生成器实例
z_dim = 100 # 噪声向量的维度
img_size = 784 # 假设生成的是28x28的图像，展平后的尺寸
generator = Generator(z_dim, img_size)# 生成噪声
batch_size = 64
noise = torch.randn(batch_size, z_dim)# 生成数据
generated_data = generator(noise)
```在这个例子中，`Generator` 类定义了一个简单的生成器，它接受一个噪声向量作为输入，并输出一个生成的数据样本。这个生成器可以生成一维数据（如上面的示例），也可以通过调整网络结构来生成图像或其他类型的数据。
