核心思想——从训练样本中学习所对应的概率分布,以期根据概率分布函数获取更多的“生成”样本来实现数据的扩张
包括两个子网络模型:
1.生成模型——使的生成的“伪”图像尽可能与“自然”图像的分布一致
2.判别模型——在生成的“伪”图像与“自然”图像之间做出正确判断,即二分类器
网络结构
损失函数
判别模型:将自然数据判定为“真”,将生成数据判定为“假”
生成模型:将生成数据判定为“真”
DCGAN的特点:¶
-
判别模型:使用带步长的卷积(strided convolutions)取代了的空间池化(spatial pooling),容许网络学习自己的空间下采样(spatial downsampling)。
-
生成模型:使用微步幅卷积(fractional strided),容许它学习自己的空间上采样(spatial upsampling)。
-
激活函数: LeakyReLU
-
Batch Normalization 批标准化:解决因糟糕的初始化引起的训练问题,使得梯度能传播更深层次。 Batch Normalization证明了生成模型初始化的重要性,避免生成模型崩溃:生成的所有样本都在一个点上(样本相同),这是训练GANs经常遇到的失败现象。
网络结构
源码
GAN源码:https://download.csdn.net/download/qq_42233538/11223117
DCGAN源码:https://download.csdn.net/download/qq_42233538/11223280