class Discriminator(nn.Module): def init(self): super(Discriminator, self).init() self.linear1 = nn.Linear(28*28, 512) self.leaky_relu = nn.LeakyReLU() self.linear2 = nn.Linear(512, 256) self.linear3 = nn.Linear(256, 1) self.sigmoid = nn.Sigmoid()

def forward(self, x):
    x = self.linear1(x)
    x = self.leaky_relu(x)
    x = self.linear2(x)
    x = self.leaky_relu(x)
    x = self.linear3(x)
    x = self.sigmoid(x)
    return x

优化建议

1. 使用更小的学习率：可以尝试使用更小的学习率，例如 0.0001，以避免模型过快地收敛。
2. 使用批归一化：在每个线性层之后添加批归一化层，可以帮助稳定训练过程，并提高模型的泛化能力。
3. 使用权重衰减：在训练过程中添加权重衰减，可以防止过拟合。
4. 使用不同的激活函数：可以尝试使用其他激活函数，例如 ReLU 或 tanh，来提高模型的性能。
5. 尝试不同的网络结构：可以尝试不同的网络结构，例如添加更多层或改变层的宽度，以寻找最佳的网络结构。

总结

本代码示例展示了如何使用 PyTorch 实现一个简单的 Discriminator 网络，并提供了优化建议。 您可以根据自己的需要进行调整和优化。