生成式对抗网络GAN

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