StarGAN生成器结构

第1层：我们3通道的图片+5通道的label作为输入，卷积核设置为64个，卷积核为7*7，滑动步长为1，填充为3；我们使用IN归一化（Instance Norm比Batch Norm的效果要更好），加速了训练，提升了训练的稳定性。；用Relu作激励函数。

第2-3层：下采样2个卷积层；stride=2,使用步长卷积代替池化，卷积在提取图像特征上具有很好的作用。
我们希望复杂特征的数量越多越好，越多我们对图片了解越多；feature map的长与宽要越来越小，因为我们希望每个特征都是精炼简洁的，去除不必要的噪音；每个特征，都是前一层feature map 上的多个特征融合而成，本身的信息量充足，无需在长和宽上增加信息量。

第4-15层：使用六个残差单元作等维输出。防止层数越深，模型反而退化。每个残差单元有两层，用Relu作激活（能够将负数激活为0，过滤了负数的线性变化，也能够更快的使得F(x)=0）。

第16-17层：上采样,使用转置卷积放大4倍。

第18层：通过一层尺寸不变的卷积，规范化到（-1，1）之间，最后一层的激活函数使用tanh，得到输出维度为3

网络架构（残差块里有两层卷积）

参考：https://blog.csdn.net/qq_24477135/article/details/85600231?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task#3%E3%80%81%E9%87%8D%E6%9E%84%E6%8D%9F%E5%A4%B1%EF%BC%88Reconstruction%20Loss%EF%BC%89