【学习笔记】GAN模型的学习（1）

1 引言
没想到第二天就磕到了模型，肝起来吧，前面导入的包就不赘述了，主要是记录自己学习这些代码的过程和学习到的知识点，下面开始：

2 init(）中的内容前一部分
part 1 构建计算图

# Build the computational graph
print('Building computational graph ...')
self.G_global_step = tf.Variable(0, trainable=False)
self.D_global_step = tf.Variable(0, trainable=False)
self.handle = tf.placeholder(tf.string, shape=[])
self.training_phase = tf.placeholder(tf.bool)

global_step在滑动平均、优化器、指数衰减学习率等方面都有用到，这个变量的实际意义非常好理解：代表全局步数，比如在多少步该进行什么操作，现在神经网络训练到多少轮等等，类似于一个钟表。

原文地址：TensorFlow中global_step的简单分析
tf.Variable()中，第一项是G_global_step/D_global_step的初始值为0，trainable=False可以防止该变量被数据流图的收集, 这样我们就不会在训练的时候尝试更新它的值。
接着定义了一个handle（暂时还不清楚它的作用）

placeholder()函数是在神经网络构建graph的时候在模型中的占位，此时并没有把要输入的数据传入模型，它只会分配必要的内存。等建立session，在会话中，运行模型的时候通过feed_dict()函数向占位符喂入数据。

原文地址：tf.placeholder函数说明
本项目中tf.string表示handle的数据类型，以下是官方对tf.string的定义

tf.string:Variable length byte arrays. Each element of a Tensor is a byte array。

shape[]在这里没有限制维数，默认是None，就是一维值，也可以是多维（比如[2,3], [None, 3]表示列是3，行不定），这里应该是行列都不定。
最后定义了一个train_process（暂时还不清楚它的作用，可能是表示训练的2种状态用gan和cgan）使用的是布尔类型

part 2 数据处理

# >>> Data handling
self.path_placeholder = tf.placeholder(paths.dtype, paths.shape)
self.test_path_placeholder = tf.placeholder(paths.dtype)            

self.semantic_map_path_placeholder = tf.placeholder(paths.dtype, paths.shape)
self.test_semantic_map_path_placeholder = tf.placeholder(paths.dtype)  

train_dataset = Data.load_dataset(self.path_placeholder,
                                  config.batch_size,
                                  augment=False,
                                  training_dataset=dataset,
                                  use_conditional_GAN=config.use_conditional_GAN,
                                  semantic_map_paths=self.semantic_map_path_placeholder)

test_dataset = Data.load_dataset(self.test_path_placeholder,
                                 config.batch_size,
                                 augment=False,
                                 training_dataset=dataset,
                                 use_conditional_GAN=config.use_conditional_GAN,