GAN 训练循环：使用 PCA 数据生成分布图

本代码展示了一个典型的 GAN 训练循环，包含以下步骤：

1. 设置参数： 设置训练参数，包括训练样本数量 (dev.shots=10)、学习率 (learning_rate=0.1) 和训练迭代次数 (epochs=100)。

2. 循环训练： 循环进行训练，每个循环称为一个 epoch。

   a. 训练鉴别器： 首先训练鉴别器，锁定生成器的参数。对于每个 PCA 数据，计算鉴别器的损失函数 (disc_cost) 并使用优化器 (opt) 更新鉴别器参数。每隔 10 个步骤打印一次损失函数。

   b. 检查输出： 随机选择一个测试样本 (test_x)，计算真实数据为真的概率 (prob_real_true) 和生成数据为真的概率 (prob_fake_true)，以评估鉴别器的性能。

   c. 训练生成器： 接着训练生成器，锁定鉴别器的参数。在每个 epoch 中进行 100 个步骤的训练，使用优化器更新生成器参数 (gen_weights) 和鉴别器参数 (disc_weights)。每隔 10 个步骤打印一次损失函数。

   d. 再次检查输出： 再次检查生成器输出，计算真实数据为真的概率和生成数据为真的概率，以评估生成器的性能。

   e. 计算鉴别器损失函数： 计算测试样本的鉴别器损失函数，以评估生成器生成的样本的质量。

   f. 生成分布图： 通过调用 gen_data 函数生成 50 个样本，并计算每个样本中值为 -1 的比例。然后使用 seaborn 绘制联合分布图，其中 x 轴和 y 轴分别表示生成的数据在第一和第二个维度上的分布，颜色表示 iris_fulldata 中的目标类别。

   g. 显示生成的分布图： 显示生成的分布图，以可视化生成器生成的样本分布。

以上代码演示了如何使用 GAN 生成分布图，可以根据具体任务修改代码，以实现不同的目标。