读DCGAN文章

    主要是建立了CNN 和 GAN 之间的联系，从没有标签的数据中抽取有用的特征很重要，可以作为下游分类任务的输入。GAN在提取图片表征方面有很好的效果，但是训练不稳定，经常生成无意义的图片。

    这篇文章主要有如下几点贡献：

•   提出的Convolutional GANs 可以使得GAN训练更加稳定
•   用训练的D来用于图片分类任务，跟其他一些无监督算法相比较中表现比较出色
•  从GANs中学到的filter并显示特定的filter能够识别特定的对象
• G的一些向量属性可以控制生成的样例的质量

 

模型结构方面：

在提升模型稳定性上采用了如下几种方式：

1.在D 上用带步长的卷积替换池化层，在G上用反卷积替换

2.在D 和 G 上都采用batchnorm的技术

3.在更深的结构上删除全连接隐藏层

4.在G上采用RELU，G的输出层采用Tanh进行激活

5.在D上采用leakyRelu

 

 

生成的卧室的图片，在训练5个epochs后。

 

将DCGAN提取特征，然后结合下游的分类器进行分类，比对kmeans算法

 

在SVHN数据集上，通过DCGAN 的discriminator + L2-SVM分类器，测试误差为22.48%，另外，验证了在DCGAN中CNN的结构对于模型的表现不是最关键的。

 

 

 

 

refer：https://arxiv.org/pdf/1511.06434.pdf  UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL
GENERATIVE ADVERSARIAL NETWORKS