昇思Mindspore25天学习打卡Day20：DCGAN生成漫画头像

在下面的教程中，我们将通过示例代码说明DCGAN网络如何设置网络、优化器、如何计算损失函数以及如何初始化模型权重。在本教程中，使用的动漫头像数据集共有70,171张动漫头像图片，图片大小均为96*96.

1 GAN基础原理

这部分原理介绍参考Link:GAN图像生成

2 DCGAN原理

DCGAN(深度卷积对抗生成网络，Deep Convolutional Generative Adversarial Networks)是GAN的直接扩展。不同之处在于，DCGAN会分别在判别器和生成器中使用卷积和转置卷积层。

它最早由Radford等人在论文Link:Unsupervised Representation Learning With Deep Convolutional Generative Adversarial Networks中进行描述。判别器由分层的卷积层、BatchNorm层和LeakReLU激活层组成。输入是3x64x64的图像，输出是该图像为真图像的概率。生成器则是由转置卷积层、BatchNorm层和ReLU激活层组成。输入是标准正态分布中提取出的隐向量z，输出是3x64x64的RGB图像。

本教程将使用动漫头像数据集来训练一个生成式对抗网络，接着使用该网络生成动漫头像图片。

3 数据准备与处理

首先我们将数据集下载到指定目录下并解压。示例代码如下:

数据处理

定义 create_dataset_imagenet 函数对数据进行处理和增强操作.

通过 create dict iterator 函数将数据转换成字典迭代器，然后使用 matplotlib 模块可视化部分训练数据。

4 构造网络

当处理完数据后，就可以来进行网络的搭建了。按照DCGAN论文中的描述，所有模型权重均应从 mean为0，sigma为0.02的正态分布中随机初始化。

4.1 生成器

生成器 G的功能是将隐向量z 映射到数据空间。由于数据是图像，这一过程也会创建与真实图像大小相同的 RG8 图像。在实践场景中，该功能是通过一系列
Conv2dTranspose 转置卷积层来完成的，每个层都与 BatchNorm2d 层和 ReLu 激活层配对，输出数据会经过 tanh 函数，使其返回[-1,1]的数据范围内。

DCGAN论文生成图像如下所示:

• 图片来源: Liuk:Unsupervised Representation Learning With Deep Convolutional Generative Adversarial Networks
  我们通过输入部分中设置的 nz、ngf 和 nc 来影响代码中的生成器结构。 nz 是隐向量 z的长度，
  ngf 与通过生成器传播的特征图的大小有关，nc 是输出图像中的通道数。
  以下是生成器的代码实现：
  

4.2 判别器

如前所述，判别器D是一个二分类网络模型，输出判定该图像为真实图的概率。通过一系列的 conv2d、
BatchNorm2d 和 LeakyReLu 层对其进行处理，最后通过 Sigmoid 激活函数得到最终概率。
DCGAN论文提到，使用卷积而不是通过池化来进行下采样是一个好方法，因为它可以让网络学习自己的池化特征。
判别器的代码实现如下:

5 模型训练

损失函数

当定义了 D和G后，接下来将使用Mindspore中定义的二进制交叉熵损失函数Link:BCELoss

优化器

这里设置了两个单独的优化器，一个用于D，另一个用于G。这两个都是 1r=0.8002 和 beta1 = 0.5 的Adam优化器。

训练模型

训练分为两个主要部分:训练判别器和训练生成器.

• 训练判别器
  训练判别器的目的是最大程度地提高判别图像真伪的概率。按照Goodfelow的方法，是希望通过提高其随机梯度来更新判别器，所以我们要最大化
  $logD(x)+log(1-D(G(z))$的值,
• 训练生成器
  如DCGAN论文所述，我们希望通过最小化$log(1-D(G(z)))$来训练生成器，以产生更好的虚假图像,。

在这两个部分中，分别获取训练过程中的损失，并在每个周期结束时进行统计，将 fixed_noise 批量推送到生成器中，以直观地跟踪 G的训练进度.

下面实现模型训练正向逻辑:

循环训练网络，每经过50次迭代，就收集生成器和判别器的损失，以便于后面绘制训练过程中损失函数的图像。

6 结果展示

运行下面代码，描绘 D和G损失与训练迭代的关系图

可视化训练过程中通过隐向量 fixed noise 生成的图像。


从上面的图像可以看出，随着训练次数的增多，图像质量也越来越好。如果增大训练周期数，当 num_epochs 达到50以上时，生成的动漫头像图片与数据集中的较为相似，下面我们通过加载生成器网络模型参数文件来生成图像，代码如下:

7 训练结束打上标签和时间