基于DCGAN的动漫头像生成

基于DCGAN的动漫头像生成

数据

• 数据集：动漫图库爬虫获得，经过数据清洗，裁剪得到动漫头像。分辨率为3 * 96 * 96，共5万多张动漫头像的图片，从知乎用户何之源处下载。
• 生成器：输入为随机噪声，输出为归一化到[-1，1]之间的原图大小。
• 判别器：输入图片，输出为图片为真实的概率，范围为[0，1]。

模型

DCGAN目前是GAN在实际工程实践中被采用最多的衍生网络，为了提高图像生成质量，增强其稳定性，许多研究学者尝试进行优化，并提出了四点设计原则：

（1）卷积层代替池化层

池化操作会使卷积核在缩小的特征图上覆盖了更大的图像视野，但是对网络性能的优化效果较小，使用卷积层代替池化层，让网络自动选择筛去不必要信息，学习上采样和下采样过程，提高计算机运算能力。

（2）去掉全连接层

全连接层一般添加在网络的末层，用于将图像特征进行连接，可以减少特征信息的损失，但是由于其参数过多，会产生过拟合、计算速度降低等问题。由于面部图像特征提取的感受野范围较小，不需要提取全图特征，所以为了避免上述问题，本项目中网络模型去掉了全连接层。

（3）批量归一化

本课题中的生成器和判别器都是五层神经网络，每一层输入的数据的复杂度都会逐层递增，使输出数据的分布发生变化，对网络参数的初始化和BP算法的性能产生影响。将数据进行批量归一化（Bach Normalization,BN），可以使输出的数据服从某个固定数据的分布，把数据特征转换为相同尺度，从而加速神经网络的收敛速度。

（4）激活函数

激活函数（Activation Function）具有连续可导的特性，可以使神经网络进行非线性变化，通过对数值优化来学习网络参数，提升网络的扩展性。本课题的生成器和判别器均为五层网络模型，计算量较大，每一层的激活函数选择需要满足高计算效率和训练稳定两点，其导函数的值域分布合理。

生成器

DCGAN生成器模型如下图，共五层，本项目中生成器输出通道数ngf默认为64，所以其中的通道数都减半，其他一样。从输入的100维的随机噪声，不断上采样反卷积操作，最终得到生成的假图片。

判别器

生成器整体框架逆过来，其中反卷积变为卷积，卷积核大小，步长等设置一样，除最后一层外ReLU激活函数变为LeakyReLU，不断下采样，最后通过sigmoid函数输出真实样本概率值，也就是一个二分类网络。

损失函数

BCELoss是CrossEntropyLoss的一个特例，用于计算输入 input 和标签 label 之间的二值交叉熵损失值。

由于生成网络和判别网络的输出层的激活函数分别为Than函数和Sigmoid函数，两者都是S型函数，其函数特性会导致反向传播算法收敛速度降低，使用BCELoss函数后，解决了因sigmoid函数导致的梯度消失问题。

criterion = t.nn.BCELoss().to(device)
# 训练判别器，分开训练
## 尽可能的把真图片判别为正确
error_d_real = criterion(output, true_labels)
error_d_real.backward()
## 尽可能把假图片判别为错误
error_d_fake = criterion(output, fake_labels)
error_d_fake.backward()
# 训练生成器
error_g = criterion(output, true_labels)

优化器

选用Adam优化程序调整超参数，它结合了 AdaGrad 和 RMSProp 算法最优的性能，不仅可以计算每个参数的自适应学习率，还可以通过训练数据的不断迭代使网络权重自动更新，相较于其他几种算法而言Adam算法实现简单、对计算机资源占用率较低，收敛速度也更快。

实验

从https://pan.baidu.com/s/1eSifHcA 提取码：g5qa下载数据（275M，约5万多张图片），把所有图片保存于data/face/目录下，这是因为用了默认的ImageFolder读取数据集，标签为faces，不需要重写datasets类。

data/
└── faces/
    ├── 0000fdee4208b8b7e12074c920bc6166-0.jpg
    ├── 0001a0fca4e9d2193afea712421693be-0.jpg
    ├── 0001d9ed32d932d298e1ff9cc5b7a2ab-0.jpg
    ├── 0001d9ed32d932d298e1ff9cc5b7a2ab-1.jpg
    ├── 00028d3882ec183e0f55ff29827527d3-0.jpg
    ├── 00028d3882ec183e0f55ff29827527d3-1.jpg
    ├── 000333906d04217408bb0d501f298448-0.jpg
    ├── 0005027ac1dcc32835a37be806f226cb-0.jpg

训练过程

（1）训练判别器

• 先固定生成器
• 对于真图片，判别器的输出概率值尽可能接近1
• 对于生成器生成的假图片，判别器尽可能输出0

（2）训练生成器

• 固定判别器
• 生成器生成图片，尽可能使生成的图片让判别器输出为1

（3）返回第一步，循环交替进行

本次训练过程，每1个batch训练一次判别器， 每5个batch训练一次生成器，可以尝试改变训练比例，改变两者的学习率实验，观察哪种效果最好。

在训练判别器时，需要对生成器生成的图片用detach()操作进行计算图截断，避免反向传播将梯度传到生成器中。因为在训练判别器时，我们不需要训练生成器，也就不需要生成器的梯度。

在训练判别器时，需要反向传播两次，一次是希望把真图片判定为1，一次是希望把假图片判定为0.也可以将这两者的数据放到一个batch中，进行一次前向传播和反向传播即可。但是研究发现，分两次的方法更好。

对于假图片，在训练判别器时，希望判别器输出为0；而在训练生成器时，希望判别器输出为1，这样实现判别器和生成器互相对抗提升。

测试

python main.py generate --gpu --vis False --netd-path checkpoints/netd_199.pth --netg-path checkpoints/netg_199.pth --gen-img result.png --gen-num 64

使用最后一次迭代的到的训练网络进行验证，生成器网络为netd_199.pth，判别器网络为netg_199.pth，从生成的512张图中，根据判别器中输出的值，选择结果最好的64张图，并存储在本地，命名为result.png：

结果分析

生成器和判别器损失函数变化如下，可以看到训练过程还是不稳定。

生成器损失变化 判别器损失变化

问题及改进：

1. 样本数据有些比较模糊，检查图像样本库，在样本数量足够的情况下，检查样本中是否存在非动漫图像，动漫风格是否类似，样本的表情、发色等面部属性是否足够丰富。

2. 模型训练不稳定，将训练次数比例和学习率结合，动态调整。判别器训练效果太好，会导致生成器反向调整参数，生成一些已经被识别为“真”的样本，特殊情况下，还输出许多面部特征畸变的图像，导致样本缺乏多样性和准确性。

完整代码

main.py用于训练和测试

# coding:utf8
import os
import ipdb
import torch as t
import torchvision as tv
import tqdm
from model import NetG, NetD
from torchnet.meter import AverageValueMeter


class Config(object):
    data_path = 'data/'  # 数据集存放路径
    num_workers = 4  # 多进程加载数据所用的进程数
    image_size = 96  # 图片尺寸
    batch_size = 256
    max_epoch = 200
    lr1 = 2e-4  # 生成器的学习率
    lr2 = 2e-4  # 判别器的学习率
    beta1 = 0.5  # Adam优化器的beta1参数
    gpu = True  # 是否使用GPU
    nz = 100  # 噪声维度
    ngf = 64  # 生成器feature map数
    ndf = 64  # 判别器feature map数

    save_path = 'imgs/'  # 生成图片保存路径

    vis = True  # 是否使用visdom可视化
    env = 'GAN'  # visdom的env
    plot_every = 20  # 每间隔20 batch，visdom画图一次

    debug_file = '/tmp/debuggan'  # 存在该文件则进入debug模式
    d_every = 1  # 每1个batch训练一次判别器
    g_every = 5  # 每5个batch训练一次生成器
    save_every = 10  # 每10个epoch保存一次模型
    netd_path = None  # 'checkpoints/netd_.pth' #预训练模型
    netg_path = None  # 'checkpoints/netg_211.pth'

    # 只测试不训练
    gen_img = 'result.png'
    # 从512张生成的图片中保存最好的64张
    gen_num = 64
    gen_search_num = 512
    gen_mean = 0  # 噪声的均值
    gen_std = 1  # 噪声的方差


opt = Config()


def train(**kwargs):
    for k_, v_ in kwargs.items():
        setattr(opt, k_, v_)

    device=t.device('cuda') if opt.gpu else t.device('cpu')
    if opt.vis:
        from visualize import Visualizer
        vis = Visualizer(opt.env)

    # 数据
    transforms = tv.transforms.Compose([
        tv.transforms.Resize(opt.image_size),
        tv.transforms