大家好，歡迎來到專欄《百戰GAN》，我們在公眾號已經輸出了非常多的GAN相關的理論，這一次我們開設《百戰GAN》專欄，在這個專欄里，我們會進行算法的核心思想講解，代碼的詳解，模型的訓練等內容。

作者&編輯 | 言有三

本文資源與生成結果展示

本文篇幅：5000字

背景要求：會使用Python，Tensorflow或者Pytorch

附帶資料：項目推薦，版本包括Pytorch+Tensorflow

同步平臺：有三AI知識星球(一周內)

1 項目背景

生成對抗網絡如今在計算機視覺的很多領域中都被廣泛應用，需要每一個學習深度學習相關技術的算法人員掌握，我們公眾號和知識星球講述了非常多的理論知識，在這個《百戰GAN》專欄中，我們會配合各類實戰案例來幫助大家進行提升，本次項目開發需要以下環境：

(1) Linux系統或者windows系統，使用Linux效率更高。

(2)?安裝好的Tensorflow，CPU或者GPU訓練都可以。

2 原理簡介

今天我們要實踐的模型是DCGAN和CGAN，DCGAN是第一個全卷積GAN，麻雀雖小，五臟俱全，最適合新人實踐。

DCGAN的生成器和判別器都采用了4層的網絡結構。生成器網絡結構如上圖所示，輸入為1×100的向量，然后經過一個全連接層學習，reshape為4×4×1024的張量，再經過4個上采樣的反卷積網絡層，生成64×64的圖，各層的配置如下：

判別器輸入64×64大小的圖，經過4次卷積，分辨率降低為4×4的大小，每一個卷積層的配置如下：

DCGAN并不能控制生成圖片的類別，條件GAN(CGAN)則使用了條件控制變量作為輸入，是幾乎后續所有性能強大的GAN的基礎。網絡結構如下，其中的y就是條件變量。

對于生成器來說，輸入包括z和y，兩者會進行拼接后作為輸入。對于判別器來說，輸入包括了x和y，兩者會進行拼接后作為輸入，當然為了和z以及x進行拼接，y需要做一些維度變換，即reshape操作。

關于它們的理論更加詳細的講解，大家可以移步有三AI知識星球，或者自行閱讀論文。

3 模型訓練

接下來我們進行實踐，選擇tensorflow框架，下面詳解具體的工程代碼，主要包括：

(1) 生成器和判別器模型的定義。

(2) 損失和優化目標的定義。

3.1 DCGAN類定義

首先我們需要定義一個類，設計好輸入輸出，__init__函數如下：

# 模型定義

class DCGAN(object):

? ? def __init__(self, sess, input_height=108, input_width=108, crop=True,

???????? batch_size=64, sample_num = 64, output_height=64, output_width=64,

???????? y_dim=None, z_dim=100, gf_dim=64, df_dim=64,

???????? gfc_dim=1024, dfc_dim=1024, c_dim=3, dataset_name='default',

???????? max_to_keep=1,

???????? input_fname_pattern='*.jpg', checkpoint_dir='ckpts', sample_dir='samples', out_dir='./out', data_dir='./data'):

其中參數解釋如下：sess表示TensorFlow session，batch_size即批處理大小；z_dim是噪聲的維度，默認為100；y_dim是一個可選的條件變量，比如分類標簽，用于CGAN；gf_dim是生成器第一個卷積層的通道數；df_dim是判別器第一個卷積層的通道數；gfc_dim是生成器全連接層維度；dfc_dim是判別器全連接層維度；c_dim是輸入圖像維度，灰度圖為1，彩色圖為3。

從上述代碼可以看出，初始化函數__init__中配置了訓練輸入圖尺寸，批處理大小，輸出圖尺寸，生成器的輸入維度，以及生成器和判別的卷積層和全連接層的若干維度變量。

總結

以上是生活随笔為你收集整理的【百战GAN】新手如何开始你的第一个生成对抗网络(GAN)任务的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。