GANs系列：DCGAN原理简介与基础GAN的区别对比

 本文长期不定时更新最新知识，防止迷路记得收藏哦！

还未了解基础GAN的，可以先看下面两篇文章：

GNA笔记--GAN生成式对抗网络原理以及数学表达式解剖

入门GAN实战---生成MNIST手写数据集代码实现pytorch

背景介绍 

2016年，Alec等人发表的论文《UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS》（简称DCGAN），首次提出将卷积神经网络应用到GAN生成对抗网络的模型中，从而代替全连接层。这篇论文中讨论了GAN特征的可视化、潜在空间差值等。本文知识总结来源也是这篇论文。 

 从大型未标记数据集中学习可重用的特征表示一直是一个活跃的研究领域。在计算机视觉环境中，人们可以利用几乎无限量的未标记图像和视频来学习良好的中间表示，然后可以将其用于各种有监督的学习任务，如图像分类。建立良好图像表示的一种方法是训练生成性对抗网（GANs），然后将生成器和鉴别器网络的一部分重新用作监督任务的特征提取器。GANs为最大似然法提供了一种有吸引力的替代方法。此外，人们可以认为，他们的学习过程和缺乏启发式成本函数（如像素独立均方误差）对表征学习很有吸引力。众所周知，GANs的训练不稳定，常常导致发电机产生无意义的输出。在试图理解和可视化GANs学习的内容以及多层GANs的中间表示方面，已经发表的研究非常有限。 

一、什么是DCGAN？

DCGAN是GAN的一个变体，DCGAN就是将CNN和原始的GAN结合到一起，生成网络和鉴别网络都运用到了深度卷积神经网络。DCGAN提高了基础GAN的稳定性和生成结果质量。

二、与基础GAN相比，改进方面？

DCGAN主要是在网络架构上改进了原始GAN，DCGAN的生成器和鉴别器都利用CNN架构替换了原始GAN的全连接网络，主要改进之处有如下几个方面：

1. DCGAN的生成器和鉴别器都舍弃了CNN的pooling层