DCGAN

有趣的图像生成——使用DCGAN与pytorch生成动漫头像

一、源码下载

下载地址：https://gitee.com/yang_guo123/dcgan-pytorch

数据集下载地址：链接: https://pan.baidu.com/s/1PcZ4TLyqcN52096eIfbmCA 密码: auc5

二、什么是DCGAN

生成对抗网络(GAN)是由Ian Goodfellow在2014年提出的一种生成网络，它由生成器(Generator)与判别器(Discriminator)构成。

生成器：负责伪造假图片，试图以假乱真。

判别器：负责区分图片，希望能从图片中区分真实图片与假图片

在GAN的训练过程中，生成器通过凭空捏造出一幅图片，令判别器进行打分，并通过判别器的分数进行梯度更新，而判别器可以看到真实图片与生成器的伪造图片，通过区分伪造图片与真实图片进行梯度更新。

使用通俗的话来讲，生成器好比制作假冒伪劣手机的奸商，而判别器好比鉴定专家。在一开始，奸商与鉴定专家都是新手，奸商制作的山寨手机都是随机的形状，而鉴定专家也是随机判断手机的好坏；突然有一天奸商了解到手机是长方形的，由此制作的手机能够轻松骗过鉴定专家，这样一来，鉴定专家损失惨重；由于时间的积累，鉴定专家有了一定的经验，能够判定山寨手机的一些特征，则奸商损失惨重，由此这样多轮的较量，鉴定专家能够精确的判定手机是否为赝品，而奸商也可以制作可以以假乱真的赝品手机。

在传统的GAN中，通常使用全连接神经网络，并且其难以训练，于是，在2016年Alec Radford等人提出了DCGAN(论文详见：https://arxiv.org/pdf/1511.06434.pdf)，通过改进CNN的模型，将深度卷积神经网络引入GAN，并且获得了很好的效果。

由于本文主要为实践方面，理论层面就不再赘述，有兴趣的网友可以自行下载论文阅读。

三、DCGAN的实现

1、数据集的选择

本文所采用的数据集为动漫头像数据集，图像大小为96x96，由下图所示：

2、生成器的构建

DCGAN的生成器器由全卷积神经网络构成，首先在网络中输入一个长度为100的随机向量，通过多次的反卷积运算，并使用tanh激活函数输出，将随机向量变为长宽为64x64三通道图像，具体结构由下图所示：

有图可见，在每一层反卷积时，图像的通道数都会缩小一半，并在最后一层将通道数目调整为3通道，输出一张RGB图像，构建的代码由下文所示：

class Generator(nn.Module):
    def __init__(self, nz, nc, ngf):
        super(Generator, self).__init__()
        self.net = Sequential(
            nn.ConvTranspose2d(nz, ngf * 8, 4, 1, 0, bias=False),
            nn.BatchNorm2d(ngf * 8),
            nn.ReLU(inplace=True),
            nn.ConvTranspose2d(ngf * 8, ngf * 4, 4, 2, 1, bias=False),
            nn.BatchNorm2d(ngf * 4),
            nn.ReLU(inplace=True),
            nn.ConvTranspose2d(ngf * 4, ngf * 2, 4, 2, 1, bias=False),
            nn.BatchNorm2d(ngf * 2),
            nn.ReLU(inplace=True),
            nn.ConvTranspose2d(ngf * 2, ngf, 4, 2, 1, bias=False),
            nn.BatchNorm2d(ngf),
            nn.ReLU(inplace=True),
            nn.ConvTranspose2d(ngf, nc, 4, 2, 1, bias=False),
            nn.Tanh()
        )

    def forward(self, x):
        return self.net(x)

3、判别器的构建

DCGAN有趣的地方在于判别器的网络结构与生成器正好是对称的，唯一有所不同的是其激活函数换成了LeakyRelu，并且输出端使用的激活函数为sigmoid，下面是判别器的代码实现：

class Discriminator(nn.Module):
    def __init__(self, nc, ndf):
        super(Discriminator, self).__init__()
        self.net = Sequential(
            nn.Conv2d(nc, ndf, 4, 2, 1, bias=False),
            nn.BatchNorm2d(ndf),
            nn.LeakyReLU(0.2, inplace=True),
            nn.Conv2d(ndf, ndf*2, 4, 2