DCGANs: 用DCGAN生成图片（MNIST）

由于接下来要做医学图像的东西，老板先让我跑着TF来玩玩积累经验。
作为一个非计算机科班出身的人，写代码与理解代码的能力尤为重要。
本文根据参考博客（当然原博客很多细节没强调到甚至是错的）进行了代码修改和体会，其中收益颇多。

强调： 学习本博客一定要参考原博客的详细过程阐释作为基础，同时结合我代码里面的注释，才能达到最佳的学习效果。

重点：

• 对于generator的理解，请参考DCGAN原arxiv论文，其中值得注意的是在U-net曾经出现过的’deconvolution layer’实际上称为‘fractionally-strided convolution layer’
• 对于参考博客中generator存在的问题进行了修正，主要体现在tf.add(H_conv1, b_conv1)的修正
• 对于reuse经常出现的问题进行深度挖掘发现，自己对‘reuse’的使用不熟悉
  if (reuse):tf.get_variable_scope().reuse_variables()，因为在discriminnator应用到生成图像的时候，肯定需要原有的参数，所以要保证reuse=True,因此有了Dg = model.discriminator(Gz, reuse=True)的代码。
• 多说一句:tf.variable_scope()工作域中的reuse=False为默认，且要知道reuse具有继承性质，细节请参考这篇简书，写的相当好！
• 对于tf.nn.conv2d_transpose()的理解，请一定仔细理解为什么需要output_shape，因为不指定的话，输出的shape形式不唯一
• 一定要学会在pool时候的size变换，这不仅仅关系到卷积，更多的时候关系到”反卷积“的size变换
• 代码共分为两段，第一段为model.py着重在于建模；第二段为train.py着重于训练。
• 本博客中的代码跟原博客的代码有所不同，这代表着博主自己的’思考’

俗话说磨刀不误砍柴功，先仔细结合原博客仔细理解tf编程的思路，以及DCGAN的实现细节，才能知道关键问题会在哪里出现。
俗话还说，实践出真知，一定要玩玩自己的数据集才知道问题在哪里，接下来会相应更新自己用DCGAN生成医学图像的代码，让大家体会下笨蛋的成长之路。

# -*- coding: utf-8 -*-
"""
Created on Tue Jul 24 20:33:14 2018
E-mail: Eric2014_Lv@sjtu.edu.cn
@author: DidiLv
File name: model.py
"""


import tensorflow as tf
import numpy as np


# import data
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/") # MNIST dataset

# pooling and convolution definition
def conv2d(x, W):
    return tf.nn.conv2d(input = x, filter = W, strides = [1,1,1,1], padding = 'SAME')

def avg_pool_2x2(x):
    return tf.nn.avg_pool(x, ksize = [1,2,2,1], strides = [1,2,2,1], padding = 'SAME')

def xavier_init(size):
    in_dim = size[0]
    xavier_stddev = 1. / tf.sqrt(in_dim / 2.)
    return tf.random_normal(shape=size, stddev=xavier_stddev)

# discriminator
def discriminator(x_image, reuse=False):
    with tf.variable_scope('discriminator') as scope:
    ## here omit the reuse since the tf.variable_scope().reuse == False by default
        if (reuse):
            tf.get_variable_scope().reuse_variables()
        #First Conv and Pool Layers
        W_conv1 = tf.get_variable('d_wconv1', shape = [5, 5, 1, 8], initializer=tf.truncated_normal_initializer(stddev=0.02))
        b_conv1 = tf.get_variable('d_bconv1'</