昇思25天学习打卡营第17天|DCGAN生成漫画头像

课程打卡凭证

DCGAN模型

DCGAN（Deep Convolutional Generative Adversarial Network），即深度卷积生成对抗网络，是一种基于生成对抗网络（GAN）的改进模型，它在生成图像的过程中引入了深度卷积神经网络的架构。

GAN的介绍见昇思25天学习打卡营第16天|GAN图像生成-CSDN博客。DCGAN在生成器使用反卷积层（转置卷积层）从低维噪声向量生成高维图像，而在判别器中则使用卷积层对输入图像进行特征提取。另外，它在生成器和判别器中加入批归一化层，用来加速训练过程并稳定模型，并且去掉了全连接层，使用全卷积结构来处理图像数据。它在生成器使用ReLU激活函数，输出层使用Tanh激活函数；判别器则使用Leaky ReLU激活函数。

训练过程

数据加载与处理

本次实验使用的数据集来自https://download.mindspore.cn/dataset/Faces/faces.zip，共70171张96x96的动漫头像图片。

定义模型参数的初值。

加载faces数据集，并定义数据增强和批处理操作。

可视化数据集，这里用到了matplotlib库中的pyplot模块。

模型训练

构建生成器

生成器的网络结构如下：转置卷积层，用于将输入向量转换为特定形状的输出特征图；二维批标准化层，用于加速收敛并稳定训练过程；修正线性单元激活函数，增加网络的非线性；最后一层是生成器的输出层，将生成的特征图限制在 [-1, 1] 范围内。

构建判别器

判别器的网络结构如下：二维卷积层，用于从输入特征图中提取特征；二维批标准化层，用于加速收敛并稳定训练过程；带泄露的修正线性单元激活函数，增加网络的非线性；最后一层输出单个值，用于二分类（真假）。

定义损失函数和优化器

这里使用了Adam优化器来优化生成器和判别器的参数，构建两个优化器，分别对应两个生成器。损失函数则用常见的交叉熵损失函数。

模型训练

该函数用于计算生成器的前向传播和损失，首先生成随机噪声z作为生成器的输入，然后使用生成器generator生成假图像gen_imgs，最后计算生成器的损失g_loss，该损失衡量生成器欺骗判别器的能力，即使生成的图像被判别器认为是真实的。

该函数用于计算判别器的前向传播和损失。

该函数用于执行一次训练步骤。这里使用了ms.jit进行即时编译，以优化训练速度。

开始训练模型。

训练结果如图所示。

生成器和判别器损失与迭代训练的关系如图所示。

将整个训练过程中生成的图像转成动图，结果如下图所示。

模型推理