DCGAN实现手写体

DCGAN实现手写体

构建生成器网络

和gan一样，设置图像维度为（28，28，1），生成器输入维度为（100，）

from tensorflow.keras.layers import Input

img_rows = 28
img_cols = 28
channels = 1
img_shape = (img_rows,img_cols,channels)
latent_dim = 100
generator_input = Input(shape=(latent_dim ,))

接着将输入转换成7×7大小128个通道的特征图feature map

from tensorflow.keras.layers import Dense,Reshape

x = Dense(128*7*7,activation="relu",)(generator_input)
x = Reshape((7,7,128))(x)

此处的DCGAN是和GAN最大的不同，这里的DCGAN使用了微步幅卷积或上采样进行图像放大。这里采用Keras的UpSampling2D层对输入进行上采样

from tensorflow.keras.layers import UpSampling2D

x = UpSampling2D()(x)

然后添加卷积层，设置filters为128，kernel_size 为 3，padding 为 same，使得输出维度和输入维度相同。这里的Keras 中使用 Conv2D 方法调用卷积层

from tensorflow.keras.layers import Conv2D

x = Conv2D(128, kernel_size=3, padding='same')(x)

添加 BatchNormalization 层和 Activation 层。将 ReLU 激活函数通过 Activation 层应用于输出

from tensorflow.keras.layers import BatchNormalization, Activation

x = BatchNormalization(momentum=0.8)(x)
x = Activation("relu")(x)

添加更多的层

x = UpSampling2D()(x)
x = Conv2D(64, 3, padding='same')(x)
x = BatchNormalization(momentum=0.8)(x)
x = Activation("relu")(x)

构建输出层，生成一个大小为 28×28 的单通道特征图，使用 Tanh 激活函数

x = Conv2D