对抗神经网络（二）——DCGAN

一、DCGAN介绍

DCGAN即使用卷积网络的对抗网络，其原理和GAN一样，只是把CNN卷积技术用于GAN模式的网络里，G（生成器）网在生成数据时，使用反卷积的重构技术来重构原始图片。D（判别器）网用卷积技术来识别图片特征，进而做出判别。同时，CDGAN中的卷积神经网络也做了一些结构的改变，以提高样本的质量和收敛速度。

DCGAN的generator网络结构图如下：

• G网中使用ReLU作为激活函数，最后一层使用Tanh作为激活函数。
• 去掉了FC层，使网络变为全卷积网络。

DCGAN的discriminator网络结构图如下：

• D中取消所有的池化层，使用转置卷积（transposed convolutional layer）并且步长大于等于2进行上采样。
• D网中也加入stride的卷积代替pooling。
• 在D网和G网中均使用批量归一化（batch normalization），而在最后一层时通常不会使用batch normalization，这是为了保证模型能够学习到数据的正确均值和方差。
• D网络中使用LeakyReLU作为激活函数。
• DCGAN中换成了两个卷积神经网络（CNN）的G和D，可以刚好的学习对输入图像层次化的表示，尤其在生成器部分会有更好的模拟效果。DCGAN在训练过程中会使用Adam优化算法。

三、网络实现

以人脸数据为例

1、环境配置（Environments）

• window10
• python3.6.4
• TensorFlow1.13.1

2、数据准备

数据集：face-swap

数据可以从网上自行下载，或者利用自己的数据，这里对数据的没有严格要求。我是采用了网络上的数据集，这里给出数据的下载地址：https://anonfile.com/p7w3m0d5be/face-swap.zip将解压的数据分别放入文件夹A和文件夹B

3、超参数设置（Hyper-Parameters）

• Image Size = 64x64 
• Batch Size = 64 
• Learning Rate = 0.00005
• Adam_beta1 = 0.5
• z_dim = 100
• Epoch = 500 

# 导入需要的包
from PIL import Image  # Image 用于读取影像
#from skimage import io  # io也可用于读取影响，效果比Image读取的更好一些

import tensorflow as tf  # 用于构建神经网络模型
import matplotlib.pyplot as plt  # 用于绘制生成影像的结果
import numpy as np  # 读取影像
import os  # 文件夹操作
import time  # 计时

# 设置相关参数
is_training = True
input_dir = "./face/"  # 原始数据的文件夹路径

# 设置超参数 hyper parameters
batch_size = 64
image_width = 64
image_height = 64
image_channel = 3
data_shape = [64, 64, 3]
data_length = 64 * 64 * 3

z_dim = 100
learning_rate = 0.00005
beta1 = 0.5
epoch = 500

4、读取数据并将原始数据数据resize成64*64*3的格式，原始图像大小为256*256*3

# 读取数据的函数
def prepare_data(input_dir, floder):
    '''
    函数功能：通过输入图像的路径，读取训练数据
    :参数 input_dir: 图像数据所在的根目录，即"./face"
    :参数 floder: 图像数据所在的子目录, 即"./face/A"
    :return: 返回读取好的训练数据
    '''

    # 遍历图像路径，并获取图像数量
    images = os.listdir(input_dir + floder)
    image_len = len(images)