以下是一个基于PyTorch的GAN生成100张图片并保存的代码示例： ```python import torch import torch.nn as nn import torchvision.utils as vutils import numpy as np from PIL import Image # 假设这是你的生成器模型 class Generator(nn.Module): def __init__(self, nz=100, ngf=64, nc=3): super(Generator, self).__init__() self.main = nn.Sequential( nn.ConvTranspose2d(nz, ngf * 8, 4, 1, 0, bias=False), nn.BatchNorm2d(ngf * 8), nn.ReLU(True), nn.ConvTranspose2d(ngf * 8, ngf * 4, 4, 2, 1, bias=False), nn.BatchNorm2d(ngf * 4), nn.ReLU(True), nn.ConvTranspose2d(ngf * 4, ngf * 2, 4, 2, 1, bias=False), nn.BatchNorm2d(ngf * 2), nn.ReLU(True), nn.ConvTranspose2d(ngf * 2, ngf, 4, 2, 1, bias=False), nn.BatchNorm2d(ngf), nn.ReLU(True), nn.ConvTranspose2d(ngf, nc, 4, 2, 1, bias=False), nn.Tanh() ) def forward(self, input): return self.main(input) # 初始化生成器 netG = Generator() netG.load_state_dict(torch.load("generator.pth")) # 加载训练好的生成器权重 netG.eval() # 设置为评估模式 # 定义设备 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") netG.to(device) # 生成随机噪声 nz = 100 # 噪声维度 fixed_noise = torch.randn(100, nz, 1, 1, device=device) # 生成100个样本 # 使用生成器生成图像 with torch.no_grad(): fake_images = netG(fixed_noise).detach().cpu() # 保存生成的图像 for i in range(100): img = fake_images[i].numpy().transpose((1, 2, 0)) # 转换为(H, W, C) img = (img * 127.5 + 127.5).astype(np.uint8) # 将像素值从[-1, 1]转换到[0, 255] img_pil = Image.fromarray(img, 'RGB') # 创建PIL图像对象 img_pil.save(f"generated_image_{i+1:03d}.png") # 保存图像 print("所有图像已生成并保存！") ``` ### 上述代码解释： 1. **生成器模型定义**：`Generator` 是一个卷积转置网络（Deconvolution），用于将输入的随机噪声向量映射为一张图片。 2. **加载预训练模型**：通过 `torch.load` 加载训练好的生成器权重，并将其设置为评估模式。 3. **生成噪声**：使用 `torch.randn` 生成100个噪声向量，每个向量的维度为 `(nz, 1, 1)`。 4. **生成图像**：将噪声向量输入生成器，得到对应的假图像。 5. **保存图像**：将生成的图像从张量格式转换为 NumPy 数组，再转换为 PIL 图像对象，并保存为 PNG 文件。 ### 注意事项： - 确保你已经训练了一个 GAN 模型，并且保存了生成器的权重文件 `generator.pth`。 - 如果你的生成器输出的是灰度图像，需要将 `nc=1` 并调整保存图像的代码部分。