[深度学习]半监督学习、无监督学习之DCGAN深度卷积生成对抗网络(附代码)

论文全称：《Generative Adversarial Nets》

论文地址：https://arxiv.org/pdf/1406.2661.pdf

论文全称：《UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS》

论文地址：https://arxiv.org/pdf/1511.06434.pdf

论文代码：

pytorch MNIST ：https://colab.research.google.com/github/smartgeometry-ucl/dl4g/blob/master/gan.ipynb

pytorch Celeb-A Faces dataset：https://pytorch.org/tutorials/beginner/dcgan_faces_tutorial.html

TensorFlow Celeb-A Faces dataset：https://github.com/carpedm20/DCGAN-tensorflow

目录

GAN的原理

DCGANs原理

DCGANs in pytorch with MNIST

---

首先这里有两篇论文，第一篇是2014年Lan Goodfellow首次提出的GAN的框架，这个时候还只是用多层感知机，第二篇是2016年Facebook AI  Research 提出的DCGANs，在前一篇的基础上使用了深度卷积神经网络。

GAN的原理

GAN主要分为两个网络，一个是G（Generator）生成网络，一个是D（Discriminator）判别网络。

他们的作用分别是：

G：利用随机的vector z生成一张图片，即为G(z)。

D：判别图片是否为真实图片。如果为1，就代表100%是真实的图片，而输出为0，就代表不可能是真实的图片。

在训练过程中，生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D。而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样，G和D构成了一个动态的“博弈过程”。

最后博弈的结果是什么？在最理想的状态下，G可以生成足以“以假乱真”的图片G(z)。对于D来说，它难以判定G生成的图片究竟是不是真实的，因此D(G(z)) = 0.5。

这样我们的目的就达成了：我们得到了一个生成式的模型G，它可以用来生成图片。

接下来我们看看D和G究竟需要怎么博弈去逼近我们想要的结果呢？

公式分析：

• 整个式子由两项构成。x表示真实图片，z表示输入G网络的vector，而G(z)表示G网络生成的图片。

• D(x)表示D网络判断真实图片是否真实的概率（因为x就是真实的，所以对于D来说，这个值越接近1越好）。而D(G(z))是D网络判断G生成的图片的是否真实的概率。

• G的目的：上面提到过，D(G(z))是D网络判断G生成的图片是否真实的概率，G应该希望自己生成的图片“越接近真实越好”。也就是说，G希望D(G(z))尽可能得大，这时V(D, G)会变小。因此我们看到式子的最前面的记号是min_G。

• D的目的：D的能力越强，D(x)应该越大，D(G(x))应该越小。这时V(D,G)会变大。因此式子对于D来说是求最大(max_D)