本文将详细解析如何使用生成对抗网络（GAN）来生成彩票号码。我们将介绍代码的每个部分，并给出详细注释，帮助读者理解整个过程。效果如下：

导入依赖

首先，我们需要导入所需的库。

import numpy as np
import pandas as pd
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, TensorDataset
from collections import deque

这些库包括：

• numpy 和 pandas：用于数据处理和分析。
• torch：用于构建和训练神经网络。
• collections.deque：用于实现滑动窗口记录。

加载和预处理数据

我们从 Excel 文件中加载彩票数据，并对数据进行预处理。

# 加载数据
file_path = './dlts.xlsx'
data = pd.read_excel(file_path)

# 数据预处理：拆分前区和后区号码并合并为一个数据集，然后进行归一化处理
front_area_numbers = data['前区'].str.split(' ', expand=True).astype(int)
back_area_numbers = data['后区'].str.split(' ', expand=True).astype(int)

# 归一化处理
front_area_numbers = (front_area_numbers - 1) / 34.0  # 前区号码范围1-35，归一化到0-1
back_area_numbers = (back_area_numbers - 1) / 11.0   # 后区号码范围1-12，归一化到0-1

# 合并前区和后区的号码
all_numbers = pd.concat([front_area_numbers, back_area_numbers], axis=1).values
all_numbers = torch.tensor(all_numbers, dtype=torch.float32)

代码解析

1. 加载数据：

   • 使用 pandas 库从 Excel 文件中加载数据。

2. 数据预处理：

   • 拆分前区和后区号码，并将其转换为整数。
   • 对号码进行归一化处理，使其值在 0 到 1 之间。

3. 合并数据：

   • 合并前区和后区号码，形成一个完整的数据集。
   • 将数据转换为 PyTorch 张量，以便于后续处理。

构建生成器模型

生成器模型的作用是生成彩票号码。我们使用了一个简单的全连接神经网络，其中包含多个层和激活函数。

# 构建生成器模型
class Generator(nn.Module):
    def __init__(self, input_dim, output_dim):
        super(Generator, self).__init__()
        self.model = nn.Sequential(
            nn.Linear(input_dim, 256),
            nn.LeakyReLU(0.2),
            nn.BatchNorm1d(256),
            nn.Linear(256, 512),
            nn.LeakyReLU(0.2),
            nn.BatchNorm1d(512),
            nn.Linear(512, 1024),
            nn.LeakyReLU(0.2),
            nn.BatchNorm1d(1024),
            nn.Linear(1024, output_dim),
            nn.Sigmoid()  # 使用sigmoid激活函数，将输出限制在0到1之间
        )
    
    def forward(self, x):
        return self.model(x)

代码解析

1. 类定义和初始化：

   • Generator 类继承自 nn.Module。
   • 初始化方法定义了网络结构，包括输入层、隐藏层和输出层。

2. 网络结构：

   • nn.Sequential 用于顺序地定义网络层。
   • 每一层包含一个全连接层 (nn.Linear)，一个 LeakyReLU 激活函数 (nn.LeakyReLU)，和一个批量归一化层 (nn.BatchNorm1d)。
   • 输出层使用 Sigmoid 激活函数，将输出限制在 0 到 1 之间。

构建判别器模型

判别器模型的作用是判断生成的号码是否真实。它也是一个全连接神经网络。

# 构建判别器模型
class Discriminator(nn.Module):
    def __init__(self