深度学习实战：BP神经网络与生成对抗网络的核心区别与选型指南

1次阅读

共计 1663 个字符，预计需要花费 5 分钟才能阅读完成。

在金融风控场景中，我们需要通过用户交易记录判断是否存在欺诈行为（分类任务），而电商平台可能希望根据用户偏好生成新的商品图片（生成任务）。这两种需求分别对应了深度学习中两类经典模型：BP 神经网络 擅长处理分类 / 回归问题，而 生成对抗网络 专精数据生成。许多开发者在项目初期都面临同一个问题：该选哪个？

结构特点：多层全连接结构，包含输入层、隐藏层和输出层
训练机制：
前向传播计算预测值：$y = f(Wx + b)$
通过 反向传播 更新权重：$\Delta W = -\eta \frac{\partial L}{\partial W}$
典型损失函数：交叉熵（分类）或均方误差（回归）

双网络结构：
生成器：将随机噪声转换为逼真数据 $G(z) \rightarrow x_{fake}$
判别器：区分真实数据与生成数据 $D(x) \rightarrow [0,1]$
对抗损失函数：
$$\min_G \max_D V(D,G) = \mathbb{E}{x\sim p[\log(1-D(G(z)))]$$}}[\log D(x)] + \mathbb{E}_{z\sim p_z

class BPNN(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(784, 512)
        self.fc2 = nn.Linear(512, 10)

    def forward(self, x):
        x = x.view(-1, 784) # 展平输入
        x = F.relu(self.fc1(x))
        return F.softmax(self.fc2(x), dim=1)

# 关键超参数
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 生成器：将 100 维噪声生成 28x28 图像
class Generator(nn.Module):
    def __init__(self):
        super().__init__()
        self.main = nn.Sequential(nn.Linear(100, 256),
            nn.LeakyReLU(0.2),
            nn.Linear(256, 784),
            nn.Tanh() # 输出归一化到[-1,1]
        )

# 判别器更新技巧：每训练生成器 k 次才更新判别器
for epoch in range(epochs):
    for i, (real_images, _) in enumerate(dataloader):
        # 先更新判别器
        optimizer_D.zero_grad()
        d_loss = ...
        d_loss.backward()
        optimizer_D.step()

        # 每 5 次迭代更新生成器
        if i % 5 == 0:  
            optimizer_G.zero_grad()
            g_loss = ...
            g_loss.backward()
            optimizer_G.step()