GAN网络之入门教程（三）之DCGAN原理

大家好，我是考100分的小小码，祝大家学习进步，加薪顺利呀。今天说一说GAN网络之入门教程（三）之DCGAN原理,希望您对编程的造诣更进一步.

GAN网络之入门教程（三）之DCGAN原理

　　如果说最经常被用来处理图像的网络模型，那么毋庸置疑，应该是CNN了，而本次入土教程的最终目的是做一个动漫头像生成的网络模型，因此我们可以将CNN与GAN结合，也就是组成了传说中的DCGAN网络。

　　DCGAN简介#

　　DCGAN全称Deep Convolutional Generative Adversarial Networks，中文名曰深度卷积对抗网络。论文地址在这里。

　　因为DCGAN是不仅与GAN有关还与CNN有关，因此，如果不是很了解的CNN的话，建议先去看一看CNN相关的知识，也可以参考一下我以前的博客。

　　数据挖掘入门系列教程(十一点五)之CNN网络介绍

　　数据挖掘入门系列教程(十二)之使用keras构建CNN网络识别CIFAR10

　　这里我们可以在复述一下CNN的相关知识和特点。

　　CNN我们可以理解为如下的行为，逐层深入”抽丝剥茧”地“理解”一张图片或其他事物。图片经过CNN网络中的一系列layer，逐渐的对图像进行细化，最终将图像从一个大的维度变成一个小的维度。在DCGAN中，判别器实际上就是一个CNN网络。输入一张图片，然后输出yes or no的概率。

GAN网络之入门教程（三）之DCGAN原理

　　而在DCGAN中，GG网络的模型是怎么样的?GG网络刚好和CNN相反，它是由noise通过GG网络生成一张图片，因为图片通过layer逐渐变大，与卷积作用刚好相反——因此我们可以称之为反卷积。

　　DCGAN的特点#

　　当然，DCGAN除了GG网络与CNN不同之外，它还有以下的不同：

　　取消所有pooling层。G网络中使用转置卷积(transposed convolutional layer)进行上采样，D网络中用加入stride的卷积代替pooling。

　　除了生成器模型的输出层和判别器模型的输入层，在网络其它层上都使用了Batch Normalization，使用BN可以稳定学习，有助于处理初始化不良导致的训练问题。

　　G网络中使用ReLU作为激活函数，最后一层使用tanh

　　D网络中使用LeakyReLU作为激活函数

　　几个重要概念#

　　为了能够继续了解DCGAN，我们还是得需要准备一下几个重要概念。

　　下采样(subsampled)#

　　下采样实际上就是缩小图像，主要目的是为了使得图像符合显示区域的大小，生成对应图像的缩略图。比如说在CNN中得池化层或卷积层就是下采样。不过卷积过程导致的图像变小是为了提取特征，而池化下采样是为了降低特征的维度。

　　上采样(upsampling)#

　　有下采样也就必然有上采样，上采样实际上就是放大图像，指的是任何可以让图像变成更高分辨率的技术，这个时候我们也就能理解为什么在GG网络中能够由噪声生成一张图片了。

　　它有反卷积(Deconvolution)、上池化(UnPooling)方法。这里我们只介绍反卷积，因为这是是我们需要用到的。

　　反卷积(Deconvolution)#

　　反卷积(Deconvolution)也称为分数步长的卷积和转置卷积(transposed convolution)。在下图中，左边的为卷积，右边的为反卷积。convolution过程是将4×4的图像映射为2×2的图像，而反卷积过程则是将2×2的图像映射为4×4的图像，两者的kernel size均为3。不过显而易见，反卷积只能恢复图片的尺寸大小，而不能准确的恢复图片的像素值(此时我们想一想，在CNN中，卷积层的kernel我们可以学习，那么在反卷积中的kernel我们是不是也可以学习呢?)。

　　关于更多的我就不做更多的讲解了，大家可以参考别人的博客进行学习。

　　批标准化(Batch Normalization)#

　　推荐大家去看看什么是批标准化 (Batch Normalization)，通俗易懂。在下图中，我们可以看到，当x2=20×2=20的时候，tanh(wx2)=0.96tanh(wx2)=0.96，已经比较接近于1，如果继续增大xx，tanh(wx)tanh(wx)也不会变化太多。也就是说此时增大xx，已经不对xx敏感了，而这种问题即出现在输入层也出现在隐藏层。因此，我们需要将数据进行标准化(Normalization)，且不仅需要在输入层进行这种操作，且在隐藏层也需要这种操作。Batch normalization 的 batch 是批数据, 把数据分成小批小批进行随机梯度下降。

GAN网络之入门教程（三）之DCGAN原理