深度学习之 DCGAN 及TensorFlow 实现

 
 本文介绍DCGAN（Deep Convolution Generative Adversarial Nets）- 卷积生成对抗网络

 相关论文 https://arxiv.org/pdf/1411.1784.pdf
 

1、生成性对抗网络

 GAN（Generative Adversarial Nets）由两个“对抗”模型组成：一个捕获数据分布的生成模型G和一个判别模型D，

它估计样本来自训练数据的概率而不是生成样本的概率. G和D都可以是非线性的映射函数，例如多层感知器。

为了在数据数据x上学习生成器分布p_z(z) ，生成器建立从先前噪声分布p_z（z）到数据空间的映射函数，如G（z;θg）。

鉴别器D（x;θd）输入是真实图像或者生成图像，输出单个标量，该标量表示x来自训练数据而不是p_g的概率。

G和D都同时训练：固定判别模型 D，调整 G 的参数使得 log(1−D(G(z))的期望最小化；固定生成模型 G，调整 D 的参数

使得 logD(X)+log(1−D(G(z)))log 的期望最大化，这个优化过程归结为二元极小极大博弈（minimax two-player game）”问题：

2、卷积生成对抗网络

 DCGAN( Deep Convolution Generative Adversarial Nets)，卷积生成对抗网络。卷积生成对抗网络指的是在生成对抗

网络中采用卷积结构，提升了生成网络效果，尤其图像生成和无监督学习得到非常良好的效果。

 先看下一个DCGAN中用到的反卷积（后卷积，转置卷积）概念，再看原文提出的网络架构

2.1 逆卷积

1、卷积计算

 原图尺寸为n1，卷积尺寸为n2，步骤为1，那么输出尺寸为n1 – n2 + 1

 几种卷积（按填充方式，假设步骤为1）

  full: 图片大小为n1，卷积核大小为n2，卷积后图像大小：n1 + n2-1。

  same: 滑动步长为1，图片大小为n1，卷积核大小为n2，卷积后图像大小：n1，保证输出一样，所以填充大小和kerne大小有关

  valid