用MATLAB实现GAN生成手写数字：从零搭建训练循环与避坑指南

简介：压缩包提供了一份基于MATLAB的生成对抗网络（GAN）实现，针对MNIST手写数字数据集展开实验，适合希望借助MATLAB快速上手GAN的深度学习初学者、相关课程学习者及对生成模型感兴趣的开发者。资源包括2个文件，共14.03MB，其中mat文件为MNIST数据集的MATLAB格式存储，m文件为主脚本，可完成从数据加载、网络构建到训练生成的全流程操作。通过生成器与判别器的交替训练，读者可以直观看到模型如何从随机噪声逐步生成逼真数字，理解GAN的博弈机制与损失函数作用。已有313人学习下载，说明该实现具备一定的参考价值。代码结构简洁，注释清晰，便于对照论文原理进行阅读和修改，同时演示了MATLAB深度学习工具箱中网络层定义、训练循环及数据预处理等常用操作。压缩包内附完整数据，下载后可直接运行观察效果，省去单独准备数据集的麻烦，是入门GAN和MATLAB深度学习实践的一份实用参考。

1. 一个 rar 包里的 GAN：为什么用 MATLAB 训手写数字生成器反而是最快路径

在代码分享站看到GAN.rar这种压缩包，先别急着划走。标题里 MINIST 是 MNIST 的手滑拼写，GaN 是氮化镓的缩写、跟生成网络没半点关系，nestsw 基本就是归档时夹带的尾巴词——拆开看，这套资源讲的是「在 MATLAB 里用 GAN 生成手写数字」。一个反直觉的事实是：这个任务用 MATLAB 跑，恰恰是最省事的路径。没有 Python 依赖，不用配 CUDA，一台只有 CPU 的笔记本也能在几分钟内跑完 50 个 epoch。适合谁？想在不换环境的前提下把生成模型跑通的研究生、做图像处理的工程师，以及所有好奇对抗训练在 MATLAB 里到底长什么样的人。这篇文章不假装见过包里源码，按这个方向给你拆一套能复现、能改写的落地实现，顺带把最容易翻车的几个坑标出来。

2. 对抗训练的最小单元：损失函数怎么写，以及为什么 trainNetwork 用不了

你从 rar 里期望得到的，无非一个能跑的脚本和一组不让损失跑飞的超参数。这两样东西都建立在一个问题上：GAN 到底在更新什么。

2.1 生成器和判别器各管一件事：从 100 维噪声到 784 像素的输出链路

生成器 G 把 100 维噪声向量 z 映射成 784 个像素，也就是一张 28×28 的灰度图；判别器 D 把一张 28×28 图像压成一个概率。真实图像来自 MNIST，假图像来自 G 的输出重新排列成图。D 想让真实图像的得分接近 1、生成图像接近 0；G 想让自己生成的图像被 D 判成 1。目标函数写成：

min_G max_D E[log D(x)] + E[log(1 - D(G(z)))]

看起来是两条网络在打架，其实是一个 minimax 博弈。等号右边第一项是真实图像 x 的期望，第二项是噪声 z 经 G 生成后的期望。D 要最大化整个式子，G 要最小化它。G 的训练信号完全来自 D 的梯度——如果 D 一眼识破所有假图，G 的梯度就会很小，甚至消失；如果 D 太弱，G 又没有压力去生成更真实的图。这就是 GAN 训练的平衡木。

z的维度取 100 不是随手定的。DCGAN 原论文把 100 维标准正态噪声作为默认配置，这个规模对 MNIST 足够表达数字的类内变化。设得太低（比如 10 维）容易模式崩塌，生成出来的数字永远就那几种；设得太高（比如 1000 维）训练会变慢，但对 MNIST 这种小图收益不明显。我一般固定zDim = 100，只在生成多样性出问题时才往上调到 128。

生成器输出层用tanh，把像素压到 [-1, 1]，这是所有经典 GAN 实现的共同选择。判别器本质是一个二分类器，它的输出经过sigmoid变成 0 到 1 的概率。注意，MATLAB 里 I go 把判别器的最后一层设置成fullyConnectedLayer(1)，然后在损失函数里手动调sigmoid，而不是在层图里加一个sigmoidLayer。原因是这个层的可用性在不同 MATLAB 版本里有差异，手动调用sigmoid(dlX)在 R2020a 之后都能跑。

2.2 自定义训练循环才是 GAN 的主场：dlgradient 与为什么 trainNetwork 用不了

很多人习惯拿到数据就trainNetwork，到 GAN 这里必须改掉这个惯性。trainNetwork是为监督学习设计的：一个网络、一组标签、一个损失。GAN 需要两个网络交替更新，生成器的损失还要穿过判别器反向传播，并且没有「正确答案」标签，只有「真/假」这种对抗信号。虽然理论上能把两个网络拼成一个多输出大网络再用trainNetwork，但你需要写自定义 output layer 和 loss layer，调试成本远高于直接写循环。MATLAB 官方示例在 GAN 这个任务上同样走自定义训练循环。

训练循环的主角是dlgradient和dlfeval。dlgradient只能在函数内部调用，而且必须由dlfeval触发，否则直接报错。损失函数的离散化写法如下：

function [lossG, lossD] = ganLoss(dReal, dFake) epsVal = 1e-7; lossD = -mean(log(dReal + epsVal)) - mean(log(1 - dFake + epsVal)); lossG = -mean(log(dFake + epsVal)); end

dReal是判别器对真实图像输出的概率，dFake是对生成图像输出的概率。判别器损失由两项组成：真实图像预测越接近 1，第一项越小；生成图像预测越接近 0，第二项越小。生成器损失只有一项：生成图像被 D 判得越接近 1，损失越小。

mean是对一个 batch 内所有样本取平均，这是标准做法。epsVal = 1e-7是防 NaN 的关键。如果 D 完美碾压 G，dFake会非常接近 0，log(1 - dFake)里的1 - dFake接近 1 没问题，但log(dFake)会变成负无穷。给dFake加一个极小值，梯度爆炸的几率会小很多。

这里的反向传播是黑匣子，但你可以掌控梯度流向。G 的梯度要穿过 D 的网络计算，所以dlgradient(lossG, dlnetG.Learnables)必须在 lossG 和 dlnetG 之间存在可微路径，而这条路径是通过forward(dlnetD, dlXG)搭起来的。把 G 的输出直接当成图像喂给 D，损失才能传回去。这也是为什么生成器输出的维度必须和判别器输入对得上，下一章就处理这个对接。

3. 把 MNIST 数据送进 dlnetwork：归一化、维度约定与两种加载方式

数据是第一个容易卡住的地方。MNIST 在 MATLAB 里有不止一种接法，选错了会在数据预处理上浪费大量时间。

3.1 先拿到数据：MATLAB 内置数据集一行加载，IDX 解析当备胎

最省事的方式是用 Deep Learning Toolbox 附带的数据集加载函数，它直接返回 4 维数组，不需要从网上下载任何文件：

% 方案 A：MATLAB 自带 MNIST，返回训练图像和标签 [xTrain, tTrain] = digitTrain4DArrayData; % 统一转成 single，避免后续和 randn 生成的数据精度不一致 xTrain = single(xTrain); % 像素从 [0, 255] 映射到 [-1, 1]，和生成器 tanh 输出范围匹配 xTrain = (xTrain - 127.5) / 127.5; % MNIST 只有 6 万张，但 single 化后仍占约 188MB，内存紧就取前 2 万张 % xTrain = xTrain(:, :, :, 1:20000);

如果你的 MATLAB 版本里没有digitTrain4DArrayData，或者 rar 包自带的是原始 IDX 格式文件，写一个解析函数也不难。IDX 文件头是四个 32 位大端整数，分别表示魔数、样本数、行数、列数，后面是像素字节：

function im = loadMNISTImages(fn) fid = fopen(fn, 'rb'); magic = fread(fid, 1, 'uint32', 0, 'ieee-be'); assert(magic == 2051, '不是 MNIST 图像文件'); numImages = fread(fid, 1, 'uint32', 0, 'ieee-be'); rows = fread(fid, 1, 'uint32', 0, 'ieee-be'); cols = fread(fid, 1, 'uint32', 0, 'ieee-be'); raw = fread(fid, inf, 'uint8=>uint8'); fclose(fid); im = reshape(raw, rows, cols, 1, numImages); im = permute(im, [2 1 3 4]); % IDX 是行优先存储，需要转置回正常图像方向 end

fread的'ieee-be'指定大端读取，这是 IDX 格式的固定要求，漏掉它会读出完全错乱的维度。MNIST 长宽都是 28，转不转置看不出区别，但这个习惯必须保留，以后换到 CIFAR 或者其他非对称数据集时，permute错了图像就是横着的。GAN 训练不需要标签，所以只读图像文件即可，标签文件可以跳过。

我一般把方案 A 当首选，IDX 解析当备胎。原因很直接：digitTrain4DArrayData返回的数组已经排成h×w×c×n，不用管文件路径和字节序。压缩包里如果自带train-images.idx3-ubyte之类的文件，再用方案 B。

3.2 网络定义与维度约定：生成器输出 784，判别器要 28×28×1

GAN 的层图比分类网络简单，但维度对接必须严格。生成器每一层输出的行数要能一路乘到 784。下面这套是全连接版本的常见做法，在 MNIST 上足够稳定：

function lgraph = buildGenerator(zDim) layers = [ featureInputLayer(zDim, 'Name', 'z') fullyConnectedLayer(256, 'Name', 'fc1') reluLayer('Name', 'relu1') fullyConnectedLayer(512, 'Name', 'fc2') reluLayer('Name', 'relu2') fullyConnectedLayer(28*28, 'Name', 'fc3') tanhLayer('Name', 'tanh_out') ]; lgraph = layerGraph(layers); end function lgraph = buildDiscriminator() layers = [ imageInputLayer([28 28 1], 'Normalization', 'none', 'Name', 'input') convolution2dLayer(5, 16, 'Padding', 'same', 'Name', 'conv1') leakyReluLayer(0.2, 'Name', 'lrelu1') convolution2dLayer(5, 32, 'Padding', 'same', 'Stride', 2, 'Name', 'conv2') leakyReluLayer(0.2, 'Name', 'lrelu2') fullyConnectedLayer(1, 'Name', 'fc_out') ]; lgraph = layerGraph(layers); end

卷积版判别器比全连接版稳定得多，因为卷积层保留了图像的空间结构，D 更容易从局部纹理判断真假。convolution2dLayer(5, 16, 'Padding', 'same')的含义是 5×5 卷积核、16 个输出通道、same 填充保持空间尺寸不变。第二层加了'Stride', 2，把特征图尺寸减半，相当于下采样。最后一层是fullyConnectedLayer(1)，输出一个标量 logit，真正的概率在损失函数里用sigmoid算。

这里有一个最容易踩的维度坑：生成器最后一层是全连接，输出维度是784 × batchSize，格式是'CB'（channel-batch），而判别器的图像输入层要求'SSCB'（spatial-spatial-channel-batch），也就是28×28×1×batchSize。中间必须 reshape，而且 reshape 之后要重新声明格式：

dlXG = forward(dlnetG, z); % 784 × batch，格式 CB dlXG = reshape(dlXG, 28, 28, 1, []); % 先变出空间维度 dlXG = dlarray(dlXG, 'SSCB'); % 重新声明 dlarray 格式

如果漏了最后一行，forward(dlnetD, dlXG)会报维度不匹配的错误，而且报错信息往往含糊到让你怀疑是卷积核写错了。reshape会丢掉dlarray的格式标签，所以必须重新给一次。这也是为什么modelGradients函数里前向传播的顺序要固定成「生成器先跑、reshape、再进判别器」。

归一化也要在这个阶段对齐。xTrain已经缩放到 [-1, 1]，判别器的imageInputLayer必须写'Normalization', 'none'，否则 MATLAB 会再叠一层默认归一化，把 [-1, 1] 的数据二次变换，导致训练集和生成器输出的分布根本不匹配。这个参数看着不起眼，改错之后损失曲线会一直抖动，生成图像全是灰蒙蒙的噪声。

4. 训练循环骨架与超参取值：0.0002、0.5 和 batch size 128 背后的调整逻辑

网络定义好之后，真正决定能不能出图的是训练循环和超参。这段代码是整个方案的心脏，我会把完整循环写出来，再拆开讲每个参数为什么是这个值。

4.1 一个可直接改写的 modelGradients 函数

modelGradients承担前向传播、损失计算、反向传播三件事。注意它必须通过dlfeval调用，dlgradient才能正常工作：

function [gradG, gradD, lossG, lossD] = modelGradients(dlnetG, dlnetD, dlX, z) % 生成器前向：噪声 z -> 784 维像素 dlXG = forward(dlnetG, z); % reshape 成图像，供判别器使用 dlXG = reshape(dlXG, 28, 28, 1, []); dlXG = dlarray(dlXG, 'SSCB'); % 判别器对真实图像和生成图像分别打分 dReal = sigmoid(forward(dlnetD, dlX)); dFake = sigmoid(forward(dlnetD, dlXG)); % 损失函数加 eps 防 NaN epsVal = 1e-7; lossD = -mean(log(dReal + epsVal)) - mean(log(1 - dFake + epsVal)); lossG = -mean(log(dFake + epsVal)); % 反向传播：G 的梯度穿过 D 网络 gradG = dlgradient(lossG, dlnetG.Learnables); gradD = dlgradient(lossD, dlnetD.Learnables); end

用forward而不是predict，是因为forward保留网络内部的中间状态，在训练里是标准选择。predict更像推理模式，如果你用了 batch normalization 之类的层，两者行为会有差异。这里的网络没有 BN 层，用forward是稳妥习惯。

训练循环本体如下。数据被预先处理成 single 的 4D 数组，每次迭代切片切出一个 batch，避免minibatchqueue默认缓存带来的内存占用：

% 超参 zDim = 100; batchSize = 128; numEpochs = 50; lr = 2e-4; beta1 = 0.5; beta2 = 0.999; globalIter = 0; % 构建网络 dlnetG = dlnetwork(buildGenerator(zDim)); dlnetD = dlnetwork(buildDiscriminator()); % Adam 状态初始化 avgG = []; avgSqG = []; avgD = []; avgSqD = []; % 固定一组噪声，用于观察训练进度 zSample = dlarray(randn(zDim, 25, 'single'), 'CB'); numIterationsPerEpoch = floor(size(xTrain, 4) / batchSize); for epoch = 1:numEpochs idxShuffle = randperm(size(xTrain, 4)); for iter = 1:numIterationsPerEpoch idx = idxShuffle((iter-1)*batchSize + (1:batchSize)); % 图像数据和噪声数据都要包成 dlarray，并声明格式 dlX = dlarray(xTrain(:, :, :, idx), 'SSCB'); z = dlarray(randn(zDim, batchSize, 'single'), 'CB'); % 前向 + 损失 + 梯度 [gradG, gradD, lossG, lossD] = dlfeval(@modelGradients, ... dlnetG, dlnetD, dlX, z); % Adam 更新两个网络 [dlnetG, avgG, avgSqG] = adamupdate(dlnetG, gradG, ... avgG, avgSqG, globalIter, lr, beta1, beta2); [dlnetD, avgD, avgSqD] = adamupdate(dlnetD, gradD, ... avgD, avgSqD, globalIter, lr, beta1, beta2); globalIter = globalIter + 1; end % 每 5 个 epoch 看一次生成效果 if mod(epoch, 5) == 0 dlXSample = predict(dlnetG, zSample); imSample = extractdata(dlXSample); imSample = (imSample + 1) / 2; montage(reshape(imSample, 28, 28, 1, [])); title(sprintf('Epoch %d', epoch)); drawnow; end end

dlX = dlarray(xTrain(:, :, :, idx), 'SSCB')直接从预处理好的数组里切片，整个过程不产生额外的大数组副本。randn(zDim, batchSize, 'single')生成噪声时显式指定single，避免和 double 混用导致 MATLAB 自动转换拖慢速度。

如果你的 MATLAB 版本不支持adamupdate(dlnet, ...)这种直接传网络的写法，改用adamupdate(dlnet.Learnables, ...)并把结果赋值回dlnet.Learnables。两种写法在 R2020b 之后都常见，旧版本只认第二种。

4.2 判别器两步、生成器一步：更新节奏与超参表

上面的循环是 D 和 G 各更新一次，1:1 节奏。DCGAN 原论文和大多数 MNIST 实现都用这个比例，配合较小的学习率可以保持稳定。判别器如果明显比生成器强，可以把 D 的更新包在一个内层循环里，每轮 D 更新两次、G 更新一次。

判别器的强弱可以从损失值判断：如果dReal长期接近 1、dFake长期接近 0，说明 D 碾压 G，需要降低 D 的学习率或调低更新频率；如果dReal在 0.5 附近徘徊且生成图像还是噪声，说明 D 太弱，给不出有效梯度，这时要给 D 加一层卷积或增大通道数。

lr = 2e-4是 DCGAN 的原始取值，比常见分类网络低了一个数量级。GAN 的博弈特性决定了过大的学习率会让两个网络轮流碾压对方，损失曲线像心电图一样乱跳。beta1 = 0.5是刻意压低历史梯度的影响——Adam 默认的 0.9 在 GAN 里会让训练进度过平滑，反而拖慢收敛。这两个参数是 GAN 训练里最不该乱改的默认值，改之前先想清楚自己要解决什么现象。

5. GAN 训练避坑：五个让生成图像变成马赛克的真实故障与排查顺序

损失函数和循环都有了，训练还是会出幺蛾子。下面五条按现象、原因、解决的顺序写，基本覆盖了 MNIST 上最常见的失败模式。

5.1 损失停在 0.693：判别器躺平，生成器开始自嗨

现象：判别器损失稳定在 0.693 附近，生成图像是一堆噪点，训练很多轮也没变化。

原因：0.693 是 log(0.5) 的绝对值，说明 D 对真实和生成图像都输出 0.5，完全分不清。这时 G 的梯度约等于零，训练停摆。常见诱因是 D 学得太快或者太慢，更常见的是 G 太弱，生成的图像噪声太大，D 觉得没必要认真分辨。

解决：先确认损失不是 NaN。如果稳定 0.693，把 D 的更新频率降到 1:2（D 更新一次，G 更新两次），或者把 D 的卷积通道数从 16/32 提到 32/64，让 D 有足够容量给出梯度。也可以把z换方差更大的分布（randn而不是rand），给 G 更强的初始信号。

5.2 NaN 与梯度爆炸：log(0) 前先加 eps

现象：某个迭代步之后损失变成 NaN，之后再也回不来。控制台偶尔会蹦出矩阵维度或 Inf 相关的警告。

原因：D 对某张假图输出概率无限接近 0，log(dFake)算出负无穷；或者 G 的输出值太大，经过 D 的卷积后产生极大 logit，softmax 之后梯度爆炸。GAN 里这个现象比分类网络常见得多，因为两个网络互相放大对方的极端输出。

解决：modelGradients里所有log调用前都要加epsVal，并且对dFake做一次 clamp：dFake = min(dFake, 1 - 1e-7)。这样即使 D 的输出饱和，损失也不会越界。如果 NaN 出现在修改之后，把学习率从 2e-4 降到 1e-4，并检查xTrain是否混入了 NaN 值。

5.3 模式崩塌：十个数字只剩三个

现象：生成的 25 张图里只有少数几种数字反复出现，其他数字完全见不到。这是 GAN 最出名的失败模式。

原因：G 找到了一条欺骗 D 的捷径——输出某一类稳定图像能稳定骗过 D，于是放弃探索其他数字类别。z 空间里大部分区域塌缩到同一个输出，多样性丢失。

解决：先试增大 zDim 到 128，给 G 更多表达空间。还可以在 D 的输入上加少量高斯噪声（标准差 0.1 左右），打破 D 的完美判断，逼 G 去生成更多样的样本。改 batch size 也有用，我见过把 batch 从 128 换到 256 之后模式崩塌直接消失的情况，这里有点玄学，但值得一试。

5.4 生成的图像全黑或全白：忘了把 tanh 输出映射回 [0, 1]

现象：训练正常，损失正常下降，montage显示的图像却是一团黑或者一团白，完全看不到数字。

原因：生成器输出范围是 [-1, 1]，montage和imshow默认把 0 当黑色、负值当纯黑，正值大于 1 的全部裁成白色。你看到的全黑全白并不代表模型没学好，只是显示范围和网络输出不匹配。

解决：显示或保存之前，把像素从 [-1, 1] 映射回 [0, 1]：imSample = (imSample + 1) / 2;然后再交给montage。保存图片时用im2uint8(imSample)转成 uint8，imwrite才能写出正常 PNG。这个坑严格说不算训练 bug，但几乎每个第一次在 MATLAB 里跑 GAN 的人都会遇到一次。

5.5 内存溢出或训练慢到怀疑人生：小心 double 和 minibatchqueue 缓存

现象：训练到中途报Out of Memory，或者 CPU 训练速度越来越慢。

原因：两个常见来源。一是xTrain保持默认 double 类型，6 万张图就是 376MB，再叠加dlarray的自动微分图，内存会翻好几倍；二是minibatchqueue默认缓存多个 mini-batch，虽然它能提前并行准备数据，但在 MNIST 这种小数据集上反而容易把内存打到上限。

解决：数据加载后立刻single(xTrain)转单精度；噪声生成也带'single'。训练循环用手动切片，不经过minibatchqueue。如果你确实要换大图数据集，再回到minibatchqueue并设置'MiniBatchCacheSize', 4这类小缓存值。另外，训练过程中每 5 个 epoch 的montage会保留上一次图像窗口，关掉旧窗口也能省一点内存。

6. 一个验证技巧：latent 空间的线性插值，判断生成器有没有死记硬背

模型训完，怎么知道生成器是真的学到了数字的流形，还是只是把训练集里的某几张图背了下来？一个简单而可靠的技巧是做 latent space 插值。取两个随机噪声向量，在它们之间线性插值，生成一串中间图像，然后观察过渡是否平滑。

% 生成两个随机噪声点 z1 = randn(zDim, 1, 'single'); z2 = randn(zDim, 1, 'single'); % 等间距插值 10 步 alphas = linspace(0, 1, 10); imgs = []; for a = alphas z = (1 - a) * z1 + a * z2; z = dlarray(z, 'CB'); dlXG = predict(dlnetG, z); im = extractdata(dlXG); im = (im + 1) / 2; % 映射回 [0, 1] imgs = cat(4, imgs, im); end % 排成一行显示过渡帧 montage(reshape(imgs, 28, 28, 1, []));

如果中间帧是从一个数字平滑过渡到另一个数字，说明生成器学会了连续的潜在表示；如果中间帧是两张清晰图像的生硬切换，说明模型只是记住了训练样本，插值路径上没有有效的中间表达。我一般还会多看几组不同的 z1、z2，并检查中间帧有没有新样式的数字出现——这比单看一组损失曲线更能说明生成质量。

同一个技巧也能迁移到其他生成任务上。把噪声输入换成条件向量，GAN 就可以往图像修复、图像翻译方向走，插值验证逻辑完全一样。我个人的习惯是每 10 个 epoch 存一张 5×5 的网格 PNG，文件名带上 epoch 号。这比依赖控制台输出更直观，也让你在训练崩溃之后有机会翻出早期的生成快照，定位到底是哪一步开始变坏的。这个后悔药成本极低，值得养成习惯。

希望帮到你。

本文还有配套的精品资源，点击获取