SensoryGANs An Effective Generative Adversarial Framework for Sensor-based Human Activity Recognition的实验环境

本文提出的SensoryGANs实验是在以下环境下进行的：

• 操作系统：Ubuntu 18.04
• GPU：NVIDIA GTX 1080 Ti
• 深度学习框架：PyTorch 1.0.0
• 数据集：公开的UCI-HAR（人体活动识别）数据集

在实验中，使用了使用了一个包含两个卷积层和两个全连接层的神经网络来生成传感器数据。使用了Adam优化器，学习率设置为0.0002，beta1设置为0.5。在训练过程中，使用了交叉熵损失函数和对抗损失函数。对于分类任务，使用了交叉熵损失函数。在训练过程中，使用了批量大小为128、迭代次数为10000的参数设置。最终的实验结果表明，SensoryGANs在人体活动识别任务上表现出了较好的性能。