学习笔记：GAN和DCGAN入门

GAN的全称为Generative Adversarial Networks，意为对抗生成网络。原始的GAN是一种无监督学习方法，它巧妙地利用“对抗”的思想来学习生成式模型，一旦训练完成后可以生成全新的数据样本。DCGAN将GAN的概念扩展到卷积神经网络中，可以生成质量较高的图片样本。GAN和DCGAN在各个领域都有广泛的应用，这篇文章首先会介绍他们的原理，再介绍如何在TensorFlow中使用DCGAN生成图像，关于GAN和DCGAN的更多项目会在接下来的章节中进行介绍。

GAN的原理

GAN的原理其实非常简单。可以把GAN看成数据生成工具，这里以生成图片数据为例进行讲解，实际GAN可以应用到任何类型的数据。

假设有两个网络，生成网络G（Generator）和判别网络D（Discriminator）
他们的功能分别是：

• G负责生成图片，它接收一个随机的噪声 z z ，通过该噪声生成图片，将生成的图片记为 G(z) G ( z ) 。
• D负责判别一张图片是不是“真实的”。它的输入时 x x ， x x 代表一张图片，输出 D(x) D ( x ) 表示 x x 为真实图片的概率，如果为，代表真实图片的概率为%，而输出为，代表不可能是真实的图片。

在训练过程中，生成网络G的目标是尽量生成真实的图片去欺骗判别网络D，而D的目标是尽量把生成的图片和真实的图片区分开来。这样，G和D构成了一个动态的“博弈”，这就是GAN的基本思想。

最后博弈的结果是什么？在理想的状态下，G可以生成足以“以假乱真”的图片 G(z) G ( z ) 。对于D来说，他难以判定G生成的图片究竟是不是真实的，因此 D(G(z))=0.5 D ( G ( z ) ) = 0.5 。此时得到了一个生成式的模型G，他可以用来生成图片。

下面就用数学化的语言来描述这个过程。假设用于训练的真实图片数据是 x x ，图片数据的分布为 Pdata(x) P d a t a ( x ) ，之前说G能够“生成图片”，实际G可以学习到真实的数据分布 Pdata(x) P d a t a ( x ) 。噪声 z z 的分布设为 pz(z) p z ( z ) ， pz(z) p z ( z ) 是已知的，而 Pdata(x) P d a t a ( x ) 是未知的。在理想情况下， G(z) G ( z ) 的分布应该尽可能接近 Pdata(x) P d a t a ( x ) ，G将已知分布的 z z 变量映射到了未知分布 x x 变量上。

根据交叉熵损失，可以构造下面的损失函数
V(D,G)=Ex∼Pdata(x)[lnD(x)]+Ez∼Pz(z)[ln(1−D(G(z)))] V ( D , G ) = E x ∼ P d a t a ( x ) [ l n D ( x ) ] + E z ∼ P z ( z ) [ l n ( 1 − D ( G ( z ) ) ) ]
损失函数中的 Ex∼Pdata(x) E x ∼ P d a t a ( x ) 是指在训练数据 x x 中取得真实样本，而 Ez∼Pz(z) E z ∼ P z ( z ) 是指从已知的噪声分布中提取的样本。对于这个损失函数，需要认识下面几点：

• 整个式子由两项构成。 x x 表示真实图片， z z 表示输入G网络的噪声，而 G(z) G ( z ) 表示G网络生成的图片。
• D(x)表示D网络判断真实图片是否真实的概率（因为x是真实的，所以对于D来说，这个值越接近1越好）。而 D(G(z)) D ( G ( z ) ) 是为了D判断G生成的图片是否真实的概率。
• G的目的：G应该希望自己生成的图片“越接近真实越好”。也就是说，G希望 D(G(z)) D ( G ( z ) ) 尽可能得大，这是 V(D,G) V ( D , G ) 会变小。
• D的目的：D的能力越强， D(x) D ( x ) 应该越大， D(G(x)) D ( G ( x ) ) 应该越小。因此D的目的和G不同，D希望 V(D,G) V ( D , G ) 越大越好。

在实际训练中，使用梯度下降法，对D和G交替做优化即可，详细的步骤为：

1. 从已知的噪声分布 Pz(z) P z ( z ) 中选出一些样本 z(1),z(2),...,z(m) z ( 1 ) , z ( 2 ) , . . . , z ( m ) 。
2. 从训练数据中选出同样个数的真实图片 x(1),x(2),...,x(m) x ( 1 ) , x ( 2 ) , . . . , x ( m ) 。
3. 设判别器D的参数为 θd θ d ，求出损失关于参数的梯度 ▽1m∑mi=1[lnD(xi)+ln(1−D(G(zi)))] ▽ 1 m ∑ i = 1 m [ l n D ( x i ) + l n ( 1 − D ( G ( z i ) ) ) ] ，对 θd θ d 更新时加上该梯度。
4. 设生成器G的参数为 θg θ g ，求出损失关于参数的梯度 ▽1m∑mi=1[ln(1−D(G(zi)))] ▽ 1 m ∑ i = 1 m [ l n ( 1 − D ( G ( z i ) ) ) ] ，对 θg θ g 更新时减去该梯度。

在上面的步骤中，每对D的参数更新一次，便接着更新一次G的参数。有时还可以对D的参数更新k次后再更新一次G的参数，这些要根据训练的实际情况进行调整。另外，要注意的是，由于D是希望损失越大越好，G是希望损失损失越小越好，所以他们是一个加上梯度，一个是减去梯度。

当训练完成后，可以从 Pzz P z z 随机取出一个噪声，经过G运算后可以生成符合 Pdata(x) P d a t a ( x ) 的新样本。

2 DCGAN的原理

DCGAN的全称是Deep Convolutional Generative Adversarial Networks ,
意即深度卷积对抗生成网络，它是由Alec Radford在论文Unsupervised
Representation Learning with Deep Convolutional Generative Adversarial
Networks中提出的。从名字上来看，它是在GAN的基础上增加深度卷积网
络结构，专门生成图像样本。下面一起来学习DCGAN的原理。

上一节详细介绍了D 、G 的输入输出租损失的走义，但关于D 、G 本身的结构并没高做过多的介绍。事实上， GAN 并没再对D 、G 的具体结构做出任何限制。DCGAN中的D 、G 的含义以及损失都和原始GAN中完全一致，但是它在D和G中采用了较为特殊的结构，以便对图片进行有效建模。

对于判别器D，它的输入是一张图像，输出是这张图像为真实图像的概率。在DCGAN中，判别器D的结构是一个卷积神经网络，输入的图像经过若干层卷积后得到一个卷积特征，将得到的特征送入Logistic函数，输出可以看作是概率。

对于生成器G ，它的网络结构如图8-1所示。

G的输入时一个100维的向量z。它是之前所说的噪声向量。G网络的第一层实际是一个全连接层，将100维的向量变成一个4x4x1024维的向量，从第二层开始，使用转置卷积做上采样，逐渐减少通道数，最后得到的输出为64x64x3，即输出一个三通道的宽和高都为64的图像。

此外，G、D还有一些其他的实现细节：

• 不采用任何池化层（ Pooling Layer ），在判别器D 中，用带有步长（ Stride)的卷积来代替池化层。
• 在G 、D 中均使用Batch Normalization帮助模型收敛。
• 在G中，激活函数除了最后一层都使用ReLU 函数，而最后一层使用tanh函数。使用tanh函数的原因在于最后一层要输出图像，而图像的像素值是有一个取值范围的，如0～255 。ReLU函数的输出可能会很大，而tanh函数的输出是在-1～1之间的，只要将tanh函数的输出加1再乘以127.5可以得到0～255 的像素值。
• 在D 中，激活函数都使用Leaky ReLU作为激活函数。

以上是DCGAN中D和G的结构，损失的定义以及训练的方法和第1节中描述的完全一致。Alec Radford使用DCGAN在LSUN数据集上进行无监督学习， LSUN是一个场景理解图像数据集，主要包含了卧室、固房、客厅、教室等场景图像。在LSUN的卧室数据集上，DCGAN生成的图像如图8-2所示。

除了使用G生成图像之外，还可以将G的输入信号 z z 看作生成图像的一种表示。假设图片A对应的输入为 zA z A ，图片B对应的输入为 zB z B ，可以在 zA z A 和 zB z B 之间做插值，并使用G生成每一个插值对应的图片，对应的结果如图8-3所示。每一行的最左边可以看做图片A，而每一行的最右边可以看做是图片B，DCGAN可以让生成的图像以比较自然的方式从A过渡到B，并保证每一张过度图片都是卧室的图片。如图8-3所示的第六航中，一键没有窗户的卧室逐渐变化成了一间有窗户的卧室，在第四行中，一间有点事的卧室逐渐变化成了一间没有电视的卧室，原来电视的位置被窗帘取代，所有这些图片都是机器自动生成的。

实验证明，不仅可以对输入信号z进行过渡插值，还可以对它进行复杂运算。如图8-4所示，用代表“露出笑容的女性”的 z z ，减去“女性”，再加上“男性”，最后得到了“露出笑容的男性”。

3 在TensorFlow中用DCGAN生成图像

本节会以GitHub上的一个DCGAN项目介绍TensorFlow中的DCGAN实现。利用该代码主要去完成两件事，一是生成MNIST手写数字，二是在自己的数据集上训练。还会穿插讲解该项目的数据读入方法、数据可视化方法。

3.1 生成MNIST图像

先做一个简单的小实验：生成MNIST手写数字。
运行如下代码会下载MNIST数据集到data/mnist文件夹中。

python download.py mnist

download.py 依赖一个名为tqdm的库，如果运行报错，可以先使用pip
install tqdm安装该库。

注意：当下载数据集时，如果出现网络问题导致下载中断， 在再次下载时必须先删除data/mnist 文件夹，否则download.py 会自动跳过下载。

下载完成后，使用下面的命令即可开始训练：

python main.py --dataset mnist --input_height=28 --output_height=28 --train

参数的含义会在下面的小节中进行详细的介绍，先来关注运行该命令后屏幕显示的信息：

Epoch: [ 3] [   5/  15] time: 152.4979, d_loss: 1.39733350, g_loss: 0.68659568
Epoch: [ 3] [   6/  15] time: 155.5141, d_loss: 1.39340806, g_loss: 0.68581676
Epoch: [ 3] [   7/  15] time: 158.4942, d_loss: 1.39538455, g_loss: 0.68858492
Epoch: [ 3] [   8/  15] time: 161.3817, d_loss: 1.39494920, g_loss: 0.68842071
Epoch: [ 3] [   9/  15] time: 164.2292, d_loss: 1.40010333, g_loss: 0.67908889
Epoch: [ 3] [  10/  15] time: 167.2779, d_loss: 1.40040839, g_loss: 0.68134904

Epoch[3][10/15]表示当前为第3个epoch，每个epoch内有15步，当前为第0步。默认会在MNIST数据集运行25个epoch。每个一段时间，程序会把生成的模型保存在checkpoint/mnist_64_28_28、文件夹中。此外，每隔100步，程序都会使用当前的G生成图像样本，并将图像保存在samples文件夹中。这些自动生成的图像以train开头，如train_20_0299.png表示是第20个epoch第299步生成的图像。根据这些图像，可以得知当前生成G的性能，从而决定是否可以停止训练。

运行完25个epoch时，生成的效果如图8-5所示。

3.2 使用自己的数据集训练

本节介绍如何使用自己的图片数据集进行训练。首先需要准备好图片数据将它们裁剪到统一大小。在数据目录chapter_8_data中已经准备好了一个动漫人物头像数据集faces.zip 。在源代码的data目录中新建一个anime目录（如果没有data目录可以自行新建） ，并将faces.zip中所高的图像文件解压到anime目录中。最后形成的项目结构为：

在项目根目录中运行下面的命令即可开始训练：

python main.py --input_height 96 --input_width 96 \
    --output_height 48 --output_width 48 \
    --dataset anime --crop --train \
    --epoch 300 --input_fname_pattern ".jpg"

这里将参数设置为一共会训练300个epoch，实际可能并不需要那么多，读者同样可以观察samples文件夹下生成的样本图像来决定应该训练多少个
epoch 。

在训练1个epoch后，产生的样本图像如图8-6所示，此时只有模糊的边框（产生的图片在samples文件夹中）。

在训练5个epoch后，产生的样本如图8-7所示。

在训练50个epoch 后，产生的样本如图8-8所示，此时模型已经基本收敛了。

使用已经训练好的模型进行测试的对应命令为：

python main.py --input_height 96 --input_width 96 \
    --output_height 48 --output_width 48 \
    --dataset anime --crop

3.3 程序结构分析：如何将图像读入模型

如果对第3.1、3.2节中的命令仍有所疑惑，本节会结合程序源码，对这些输入参数进行详细的分析。项目所有的功能入口为文件main.py,因此，先来看下main.py的大体结构。在这个文件中，首先定义了一些参数，然后将参数统一保存到变量FLAGS中，接着根据这些参数调用DCGAN()，新建一个模型，并保存到变量dcgan中。接下来的代码为：

# 如果参数中指定为train，那么调用train方法进行训练
if FLAGS.train:
  dcgan.train(FLAGS)
else:
    # 如果不需训练，直接去载入已经训练好的模型
  if not dcgan.load(FLAGS.checkpoint_dir)[0]:
    raise Exception("[!] Train a model first, then run test mode")

# Below is codes for visualization
# 无论是进行训练还是直接执行，都会调用visualize方法进行可视化
OPTION = 2
visualize(sess, dcgan, FLAGS, OPTION)

根据这段代码，在输入命令时，如果指定了–train，会进行训练，如果不指定–train，会载入己保存的模型，无论是进行训练还是不进行训练，都会调用visualize方法进行可视化。

以上是该项目的整体逻辑。下面介绍输入的命令行和输入图像有关的参数处理。–input_height、–input_width、–output_height、–output_width 、–dataset、–crop、–input_fname_pattern 这些参数。

首先–dataset、–input_fname_pattern 两个参数。在model.py中，找到下列代码：

# mnist单独处理
if self.dataset_name == 'mnist':
  self.data_X, self.data_y = self.load_mnist()
  self.c_dim = self.data_X[0].shape[-1]
else:
  # 在训练时，使用self.data中的数据
  # 是data、dataset_name、self.input_fname_pattern
  self.data = glob(os.path.join("E:\datasets", self.dataset_name, self.input_fname_pattern))
  # 检查图片的通道数。一般是3通道彩色图
  imreadImg = imread(self.data[0]);
  if len(imreadImg.shape) >= 3: #check if image is a non-grayscale image by checking channel number
    self.c_dim = imread(self.data[0]).shape[-1]
  else:
    self.c_dim = 1

对于MNIST数据，程序是使用一个load_mnist（）函数单独处理的。而对
于自己的数据集3 程序会在data 文件夹下根据dataset和input_fname pattern两个变量找图像文件。这里的self.dataset_name是输入参数dataset,
self.input_fname_pattern是输入参数input_fname pattern 。如输入dataset 为anime 、input_fname_pattern 为.jpg ，程序会自动寻找路径为data/anime/ .jpg的所有图片，即data/anime目录下的所有jpg图像。

读入所高图片的文件名后，又会做哪些操作呢？这涉及–input_height 、–input_width 、–crop 、–output_height 、–output_width五个参数。首先要说明的一点是，如果输入时不指定–input_width，那么它的值会和–input_height的值相同；同样，如果不指定–output_width，那么它的值会和–output_height相同。即main.py中的：

if FLAGS.input_width is None:
  FLAGS.input_width = FLAGS.input_height
if FLAGS.output_width is None:
  FLAGS.output_width = FLAGS.output_height

读入的图片文件名首先经过以下操作（该部分代码在model.py 中）：

# mnist单独操作
if config.dataset == 'mnist':
batch_images = self.data_X[idx*config.batch_size:(idx+1)*config.batch_size]
batch_labels = self.data_y[idx*config.batch_size:(idx+1)*config.batch_size]
else:
# self.data是所有图像文件名，batch_files是取出一个batch_size文件的文件名
batch_files = self.data[idx*config.batch_size:(idx+1)*config.batch_size]
# 调用get_image函数对每个图像进行处理
batch = [
    get_image(batch_file,
              input_height=self.input_height,
              input_width=self.input_width,
              resize_height=self.output_height,
              resize_width=self.output_width,
              crop=self.crop,
              grayscale=self.grayscale) for batch_file in batch_files]
# 区分灰度图和彩色图
if self.grayscale:
  batch_images = np.array(batch).astype(np.float32)[:, :, :, None]
else:
  batch_images = np.array(batch).astype(np.float32)

self.data是之前说的存放所有图像文件路径的列表，每次都从该列表中取出batch_size大小的子集batch_files，对于batch_files中的每一个文件路径，调用get_image函数进行处理。

get_image函数在utils.py中，在此直接列出所有用到的函数：

# get_image读入图像后直接使用transform函数
def get_image(image_path, input_height, input_width,
              resize_height=64, resize_width=64,
              crop=True, grayscale=False):
  image = imread(image_path, grayscale)
  return transform(image, input_height, input_width,
                   resize_height, resize_width, crop)


# transform函数
def transform(image, input_height, input_width, 
              resize_height=64, resize_width=64, crop=True):
  if crop:
  # 中心crop之后resize
    cropped_image = center_crop(
      image, input_height, input_width, 
      resize_height, resize_width)
  else:
  # 直接resize
    cropped_image = scipy.misc.imresize(image, [resize_height, resize_width])
    # 标准化处理
  return np.array(cropped_image)/127.5 - 1.

# 中心crop，再进行缩放
def center_crop(x, crop_h, crop_w,
                resize_h=64, resize_w=64):
  if crop_w is None:
    crop_w = crop_h
  h, w = x.shape[:2]
  j = int(round((h - crop_h)/2.))
  i = int(round((w - crop_w)/2.))
  return scipy.misc.imresize(
      x[j:j+crop_h, i:i+crop_w], [resize_h, resize_w])

get_image函数实际调用了transform 函数。transform 函数又使用了
center_crop函数。而center_crop函数的功能是：在图片中心截取高为crop_h像素，宽为crop_w像素的图片，再缩放为resize_h乘resize_w的大小。

再看transform函数，对输入图像的处理有两种方法。当指定–crop后，会调用center_crop函数。根据调用关系，这里的input_height和input_width是输入的–input_height和–input_ width参数，而resize_height和resize_width是输入的–output_height和–output_width参数。因此，实际是在图像中心截
取高为input_height乘以input_width的小块，并放缩到output_ height乘以
output_width的大小。此外，如果不指定参数–crop，不去截取图像，而是直接缩放到output_height乘output_width 。

这样的话，之前的执行指令非常好理解了，下面的命令：

python main.py --input_height 96 --input_width 96 \
    --output_height 48 --output_width 48 \
    --dataset anime --crop --train --epoch 300 --input_fname_pattern "*.jpg"

对应的含义是：

• 找出data/anime/下所有jpg格式的图像。
• 将这些图像中心截取96x96的小块，并缩放到48 ×48像素。
• 因为有–train参数， 所以执行训练。

最后还有一个参数–epoch没解释，这个参数含义很好理解，代表执行的epoch数目。

3.4 程序结构分析：可视化方法

在训练好模型或者载入已有模型后，都会调用visualize方法进行可视化，即main.py中的如下代码：

OPTION = 0
visualize(sess, dcgan, FLAGS, OPTION)

visualize函数在utils.py中。简单查看后可以发现该函数的输入参数option支持0、1、2、3、4一共5个值。在main. py 中直接更改OPTION的值可以使用不同的可视化方法。这里以option=0和option=1为例进行介绍。

option=0的可视化方法：

# image_fname_dim是batch_size开方之后向上取整的值
image_frame_dim = int(math.ceil(config.batch_size**.5))
if option == 0:
  # 生成batch_size个z噪声
  z_sample = np.random.uniform(-0.5, 0.5, size=(config.batch_size, dcgan.z_dim))
  # 根据batch_size个z噪声生成batch_size张图片
  samples = sess.run(dcgan.sampler, feed_dict={dcgan.z: z_sample})
  # 将所有图片拼合成一张图片
  # 这一张图片的格式为image_frame_dim乘以image_frame_dim
  save_images(samples, [image_frame_dim, image_frame_dim], './samples/test_%s.png' % strftime("%Y%m%d%H%M%S", gmtime()))

程序首先根据batch_size的值计算出一个image_frame_dim 。这个值实际上是batch_size开方后再向上取整的结果。如默认的batch_size为64， 那么对应的image_frame_dim值是8 。

接着随机生成一些躁声z并保存为变量z_sample，它的形状为（ batch size,z dim ），后者z_dim是单个噪声本身具有的维度，默认为100，这也和原始论文中的网络结构保持一致。在默认情况下，将生成一个形状为（ 64, 100）的z_sample，z_sample中的每个值都在-0.5～0.5 之间。将它送入网络中，可以得到64张图像并放在samples中，最后调用save_images函数将64张图像组合为一张8*8的图像，如图8-9所示。

再看option=1的可视化方法：

elif option == 1:
  # values是和batch_size等长的向量，从0~1递增
  values = np.arange(0, 1, 1./config.batch_size)
  # 会生成100张图片
  for idx in xrange(100):
    print(" [*] %d" % idx)
    # 这里的z_sample大多数都是0
    z_sample = np.zeros([config.batch_size, dcgan.z_dim])
    # 实际上是把z_sample的第idx列变成values
    for kdx, z in enumerate(z_sample):
      z[idx] = values[kdx]

    if config.dataset == "mnist":
      # 对mnist分开处理
      y = np.random.choice(10, config.batch_size)
      y_one_hot = np.zeros((config.batch_size, 10))
      y_one_hot[np.arange(config.batch_size), y] = 1

      samples = sess.run(dcgan.sampler, feed_dict={dcgan.z: z_sample, dcgan.y: y_one_hot})
    else:
      samples = sess.run(dcgan.sampler, feed_dict={dcgan.z: z_sample})

    save_images(samples, [image_frame_dim, image_frame_dim], './samples/test_arange_%s.png' % (idx))

option=1的可视化方法会生成100张和option=0中差不多的图片。每个
z_sample中的数字大多数都是0，某中第idx( idx 从0～99）列变成一个事先
定义好的向量values。因此每个z_sample中各个图片对应的改变很小。图
8-10展示了使用option=1进行可视化生成的图片（变化比较细微） 。

剩下的几种可视化方法我们可以自行参阅源码进行分析。注意option=2 、
3、4 的几种方法都依赖一个名为moviepy的库。可以使用pip install moviep y安装，并保证import moviepy.editor as mpy不会出错。

4 总结

本章首先讲解了GAN和DCGAN的原理，接着介绍了一个非常有趣的项目：在TensorFlow中利用DCGAN生成图片。最后，以输入图像和可视化方法两部分为例，分析了DCGAN 项目的源码。希望通过这篇文章的介绍，掌握GAN的思想以及DCGAN的使用方法。