#Author:WangJuan
import?argparse#解析命令行參數(shù)和選項(xiàng)
import?numpy?as?np#?numpy科學(xué)計(jì)算的庫，可以提供矩陣運(yùn)算
from?scipy.stats?import?norm#scipy數(shù)值計(jì)算庫
import?tensorflow?as?tf
import?matplotlib.pyplot?as?plt
from?matplotlib?import?animation#matplotlib繪圖庫
import?seaborn?as?sns#?數(shù)據(jù)模塊可視化


sns.set（color_codes=True）?#sns.set（style=“white“?palette=“muted“?color_codes=True）
#???#set（?）設(shè)置主題，調(diào)色板更常用?muted柔和的
seed?=?42#?設(shè)置seed，使得每次生成的隨機(jī)數(shù)相同
np.random.seed（seed）
tf.set_random_seed（seed）

class?DataDistribution（object）:#真實(shí)數(shù)據(jù)分布（藍(lán)色的線）
????def?__init__（self）:
????????self.mu?=?4#均值
????????self.sigma?=?0.5#標(biāo)準(zhǔn)差

????def?sample（self?N）:
????????samples?=?np.random.normal（self.mu?self.sigma?N）
????????samples.sort（）
????????return?samples

class?GeneratorDistribution（object）:#G網(wǎng)絡(luò)的輸入，隨機(jī)噪聲分布
????def?__init__（self?range）:
????????self.range?=?range


????def?sample（self?N）:
????????#均勻分布
????????return?np.linspace（-self.range?self.range?N）?+?\
????????????np.random.random（N）?*?0.01#隨機(jī)0-1
????????‘‘‘
????????samples?=?np.random.normal（4?0.5?N）
????????samples.sort（）
????????return?samples
????????‘‘‘
def?linear（input?output_dim?scope=None?stddev=1.0）:#w和b參數(shù)的初始化#線性計(jì)算，計(jì)算y=wx+b
?????norm?=?tf.random_normal_initializer（stddev=stddev）#用高斯的隨機(jī)初始化給w進(jìn)行初始化
?????const?=?tf.constant_initializer（0.0）#用常量0給b進(jìn)行初始化
?????with?tf.variable_scope（scope?or?‘linear‘）:#變量域?yàn)閟cope（默認(rèn)繼承外層變量域）的值當(dāng)值為None時(shí)，域?yàn)閘inear
????????w?=?tf.get_variable（‘w‘?[input.get_shape（）[1]?output_dim]?initializer=norm）#input.get_shape（）[1]獲取input的列數(shù)
????????b?=?tf.get_variable（‘b‘?[output_dim]?initializer=const）
????????return?tf.matmul（input?w）?+?b

def?generator（input?h_dim）:??#?生成網(wǎng)絡(luò)
????#?h0?=?tf.nn.tanh（linear（input?h_dim?‘g0‘））
?????#?h0?=?tf.nn.sigmoid（linear（input?h_dim?‘g0‘））
????h0?=?tf.nn.relu（linear（input?h_dim?‘g0‘））??#?較好
????#?h1?=?tf.nn.relu（linear（h0?h_dim?‘g1‘））#
????#?h2?=?linear（h1?1?‘g2‘）
????#?return?h2
????#?h0?=?tf.nn.softplus（linear（input?h_dim?‘g0‘））#原
????h1?=?linear（h0?1?‘g1‘）??#?原
????return?h1??#?原

def?discriminator（input?h_dim）:??#?初始判別網(wǎng)絡(luò)
????h0?=?tf.tanh（linear（input?h_dim?*?2?‘d0‘））??#?第一層的輸出
????h1?=?tf.tanh（linear（h0?h_dim?*?2?‘d1‘））
????h2?=?tf.tanh（linear（h1?h_dim?*?2?scope=‘d2‘））

????h3?=?tf.sigmoid（linear（h2?1?scope=‘d3‘））??#?使用sigmod激活函數(shù)將最終輸出結(jié)果固定在0-1之間，方便對(duì)最終結(jié)果的真假概率進(jìn)行計(jì)算
????return?h3??#

def?optimizer（loss?var_list?initial_learning_rate）:??#?學(xué)習(xí)率不斷衰減
????decay?=?0.95
????num_decay_steps?=?150??#?每迭代150次進(jìn)行一次衰減，
????batch?=?tf.Variable（0）
????learning_rate?=?tf.train.exponential_decay（
????????initial_learning_rate
????????batch
????????num_decay_steps
????????decay
????????staircase=True
????????）
????optimizer?=?tf.train.GradientDescentOptimizer（learning_rate）.minimize（??#?使用梯度下降求解器來最小化loss值，對(duì)var_list中的變量進(jìn)行優(yōu)化
????????????loss
????????????global_step=batch
????????????var_list=var_list
????????）
????return?optimizer


class?GAN（object）:??#?模型
????def?__init__（self?data