GAN 梯度下降算法实现

这段代码实现了 GAN（生成对抗网络）的梯度下降算法。在训练过程中，先进行判别器的训练，接着进行生成器的训练，然后再进行一次前向传播，计算损失函数并输出结果。循环进行直到达到最大迭代次数。

具体步骤如下：

初始化：设置学习率、最大迭代次数、是否显示训练过程等参数。
训练循环：
- 判别器训练：
  - 生成随机噪声数据作为生成器的输入。
  - 使用生成器生成假数据，并与真实数据混合作为判别器的输入。
  - 计算判别器输出的损失函数。
  - 使用梯度下降更新判别器参数。
- 生成器训练：
  - 生成随机噪声数据作为生成器的输入。
  - 使用生成器生成假数据，并使用判别器对假数据进行评分。
  - 计算生成器输出的损失函数。
  - 使用梯度下降更新生成器参数。
- 前向传播：
  - 使用生成器生成数据，并使用判别器对生成数据进行评分。
  - 计算损失函数，并记录训练过程中的信息。
- 循环结束条件：当达到最大迭代次数时，停止训练。
输出结果：如果设置了显示训练过程，则输出训练过程中的信息，例如迭代次数、损失函数值等。

代码中使用了一些辅助函数，例如 alg.gaussianNoise() 生成随机噪声数据，modelSetTestGenerator() 和 modelSetTestDiscriminator() 分别用于测试生成器和判别器模型，computeDiscriminatorGradients() 和 computeGeneratorGradients() 分别用于计算判别器和生成器的梯度。

该代码实现了基本的 GAN 训练流程，可以作为学习 GAN 算法的参考。