优化后的模型如下：

生成器，输入100噪声输出（1，28，28）

class Generator(nn.Module): def init(self): super(Generator, self).init() self.linear = nn.Sequential( nn.Linear(100, 256), nn.BatchNorm1d(256), nn.ReLU(), nn.Linear(256, 512), nn.BatchNorm1d(512), nn.ReLU(), nn.Linear(512, 28*28), nn.Tanh() )

def forward(self, x):
    x = self.linear(x)
    x = x.view(-1, 28, 28)
    return x

辨别器,输入（1，28，28），输出真假,推荐使用LeakRelu

class Discriminator(nn.Module): def init(self): super(Discriminator, self).init() self.linear = nn.Sequential( nn.Linear(28*28, 512), nn.BatchNorm1d(512), nn.LeakyReLU(0.2),

        nn.Linear(512, 256),
        nn.BatchNorm1d(256),
        nn.LeakyReLU(0.2),

        nn.Linear(256, 1),
        nn.Sigmoid()
    )

def forward(self, x):
    x = x.view(-1, 28*28)
    x = self.linear(x)
    return x

优化理由：

1. 在生成器中添加了BN层和ReLU激活函数，使得生成的图像更加真实。

2. 在辨别器中添加了BN层，可以加速模型收敛，LeakyReLU激活函数可以避免梯度消失问题。

3. 对于LeakyReLU激活函数，设置了较小的负斜率，可以保持一定的负梯度，避免神经元“死亡”。

4. 对于BN层，由于GAN中生成器和辨别器的输出分别是真实样本和生成样本，因此需要针对两个模型分别进行BN处理。