GAN生成对抗网络合集（二）：DCGAN-基于深度卷积的GAN

       如果使用原始的GAN，输入GAN的随机噪声为100维的随机噪声，输出图像为256×256大小。也就是说要将100维的信息映射为65536维（38维的映射为28×28=784维）。如果单纯用原始的DNN来实现，整个模型参数非常巨大，且学习难度很大（低纬度映射到高纬度需要添加许多信息）

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，进而作出判别。

同时，DCGAN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：

• G网中取消所有池化层，使用转置卷积（transposed convolutional layer）并且步长大于等于2进行上采样。D网中也用加入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 normalizaiton，这是为了保证模型能够学习到数据的正确均值和方差。
• 去掉了FC层，使网络变为全卷积网络。
• 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。D网中使用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，可以更好地学到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在训练中会使用Adam优化算法。