tensorflow学习笔记（十一）：DCGAN生成手写体数字（MNIST）

---

---

一、DCGAN简介

DCGAN是将CNN与GAN的一种结合，这是第一次在GAN中使用卷积神经网络并取得了非常好的结果，弥合CNNs在监督学习和无监督学习之间的差距，其将卷积网络引入到生成式模型当中来做无监督的训练，利用卷积网络强大的特征提取能力来提高生成网络的学习效果。

结构如下：

具体理论知识参考：GAN的系列经典模型讲解。

二、主要函数

1、tf.layers.dense()：

相当于添加一个全连接层，即初学的add_layer()函数，定义如下：

tf.layers.dense(
    inputs,
    units,
    activation=None,
    use_bias=True,
    kernel_initializer=None,  ##卷积核的初始化器
    bias_initializer=tf.zeros_initializer(),  ##偏置项的初始化器，默认初始化为0
    kernel_regularizer=None,    ##卷积核的正则化，可选
    bias_regularizer=None,    ##偏置项的正则化，可选
    activity_regularizer=None,   ##输出的正则化函数
    kernel_constraint=None,   
    bias_constraint=None,
    trainable=True,
    name=None,  ##层的名字
    reuse=None  ##是否重复使用参数
)

参数：

• nputs:该层的输入。
• units: 输出的大小（维数），整数或long。
• activation: 使用什么激活函数（神经网络的非线性层），默认为None，不使用激活函数。
• use_bias: 使用bias为True（默认使用），不用bias改成False即可。
• kernel_initializer:权重矩阵的初始化函数。 如果为None（默认值），则使用tf.get_variable使用的默认初始化程序初始化权重。
• bias_initializer:bias的初始化函数。
• kernel_regularizer：权重矩阵的正则函数。
• bias_regularizer：bias的的正则函数。
• activity_regularizer:输出的的正则函数。
• kernel_constraint:由优化器更新后应用于内核的可选投影函数（例如，用于实现层权重的范数约束或值约束）。 该函数必须将未投影的变量作为输入，并且必须返回投影变量（必须具有相同的形状）。 在进行异步分布式培训时，使用约束是不安全的。
• bias_constraint:由优化器更新后应用于偏差的可选投影函数。
• trainable:Boolean，如果为True，还将变量添加到图集collectionGraphKeys.TRAINABLE_VARIABLES（参见tf.Variable）。
• name:名字
• reuse:Boolean，是否以同一名称重用前一层的权重。

程序示例：

import tensorflow as tf
batch_size = 5
ones = tf.ones([batch_size,8,20])
logits = tf.layers.dense(ones,10)
print(logits.get_shape())

#输出
(5, 8, 10)

2、tf.layers.conv2d_transpose()：

用于反卷积（转置卷积），对转置卷积的需要一般来自希望使用与正常卷积相反方向的变换，即从具有某种卷积输出形状的某物到具有其输入形状的物体，同时保持与所述卷积兼容的连接模式。定义如下：

tf.layers.conv2d_transpose(
    inputs,
    filters,
    kernel_size,
    strides=(1, 1),
    padding='valid',
    data_format='channels_last',
    activation=None,
    use_bias=True,
    kernel_initializer=None,
    bias_initializer=tf.zeros_initializer(),
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    trainable=True,
    name=None