机器学习-生成对抗网络实战（二-1）

建议大家先看机器学习-生成对抗网络基础概念（一），再来看实战就应该知道程序的具体流程了。本篇主要定义了生成对抗网络(Generative Adversarial Network)中的生成网络和判别网络部分，大家着重理解每一个网络层的含义和变换。

具体的训练过程在下一节机器学习-生成对抗网络实战（二-2）会有讲解，希望大家先将本篇看懂。

---

目录

Part1：

自定义生成器网络类：

生成网络：

自定义判别器网络类：

判别器网络：

---

Part1：

自定义生成器网络类：

生成网络：

class Generator(keras.Model):
    # 生成器网络
    def __init__(self):
        super(Generator, self).__init__()
        filter = 64
        # 转置卷积层1,输出channel为filter*8,核大小4,步长1,不使用padding,不使用偏置
        # 输入是1*1，此时的卷积核大小为4*4根据公式1-1+4，最终输出是4*4，通道数为64*8
        self.conv1 = layers.Conv2DTranspose(filter*8, 4,1, 'valid', use_bias=False)
        self.bn1 = layers.BatchNormalization()
        # 转置卷积层2    输入是4*4，套用公式输出为4*2=8 输出是8*8，通道数为64*4
        self.conv2 = layers.Conv2DTranspose(filter*4, 4,2, 'same', use_bias=False)
        self.bn2 = layers.BatchNormalization()
        # 转置卷积层3    同上，输出是16*16，通道数64*2
        self.conv3 = layers.Conv2DTranspose(filter*2, 4,2, 'same', use_bias=False)
        self.bn3 = layers.BatchNormalization()
        # 转置卷积层4    同上，输出是32*32，通道数64*1
        self.conv4 = layers.Conv2DTranspose(filter*1, 4,2, 'same', use_bias=False)
        self.bn4 = layers.BatchNormalization()
        # 转置卷积层5    同上，输出是64*64，通道数3
        self.conv5 = layers.Conv2DTranspose(3, 4,2, 'same', use_bias=False)

输入时的像素是1*1的，后面会有讲，这里主要讲解维度变化。

网络模型选择的是转置卷积：

当填充padding=’VALID’时，输出=(输入像素维度-1)*步长+卷积核的维度

当填充padding=’SAME’时，输出=输入像素维度*步长

输入是1*1，卷积核大小为4*4，padding=’VALID’。根据公式宽=高=(1-1)*1+4=4，最终输出是4*4，通道数为64*8

输入是4*4，padding=’SAME’。根据公式宽=高=4*2=8，输出是8*8，通道数为64*4

以此类推最终输出64*64，通道数为3的张量。

前向传播：

就是利用上述网络，最后利用tanh激活，得到输出范围为-1~1，便于后续使用。

---

自定义判别器网络类：

判别器网络：

class Discriminator(keras.Model):
    # 判别器
    def __init__(self):
        super(Discriminator, self).__init__()
        filter = 64
        # 卷积层
        self.conv1 = layers.Conv2D(filter, 4, 2, 'valid', use_bias=False)
        self.bn1 = layers.BatchNormalization()
        # 卷积层
        self.conv2 = layers.Conv2D(filter*2, 4, 2, 'valid', use_bias=False)
        self.bn2 = layers.BatchNormalization()
        # 卷积层
        self.conv3 = layers.Conv2D(filter*4, 4, 2, 'valid', use_bias=False)
        self.bn3 = layers.BatchNormalization()
        # 卷积层
        self.conv4 = layers.Conv2D(filter*8, 3, 1, 'valid', use_bias=False)
        self.bn4 = layers.BatchNormalization()
        # 卷积层
        self.conv5 = layers.Conv2D(filter*16, 3, 1, 'valid', use_bias=False)
        self.bn5 = layers.BatchNormalization()
        # 全局池化层
        self.pool = layers.GlobalAveragePooling2D()
        # 特征打平
        self.flatten = layers.Flatten()
        # 2分类全连接层
        self.fc = layers.Dense(1)

针对卷积层生成矩阵的形状简单说一下：

卷积核为4*4，步长为2，因此输入64*64的矩阵得到(64-4)/2+1=31，因此第一层输出为31*31的矩阵。大家可以自行推导。

最终以2*2矩阵，1024通道进入池化层。之后将像素减半得到1*1的矩阵，接着将其打平(即n行1列)传入全连接层得到二分类的输出。

前向传播不再赘述。

---

代码来自于《TensorFlow深度学习》-龙龙老师