生成对抗网络之ＤＣＧＡＮ

DCGAN原理介绍

我们知道深度学习中对图像处理应用最好的模型是CNN，那么如何把CNN与GAN结合？DCGAN是这方面最好的尝试之一（论文地址：[1511.06434] Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks）

卷积神经网络在有监督学习中的各项任务上都有很好的表现，但在无监督学习领域，却比较少。本文介绍的算法将有监督学习中的CNN和无监督学习中的GAN结合到了一起。

DCGAN的原理和GAN是一样的，这里就不在赘述（GAN网络提出了理论，具体的G,D实现可以我们自己来定）。DCGAN把上述的G和D换成了两个卷积神经网络。Ｄ可以理解为一个分类的卷积网络。Ｇ则是一个全卷积网络。但不是直接换就可以了，DCGAN对卷积神经网络的结构做了一些改变，以提高样本的质量和收敛的速度，这些改变有：

• G网络中使用转置卷积（transposed convolutional layer）进行上采样，D网络中用strided convolutions来替代空间池化（pooling）。

• 除了生成器模型的输出层和判别器模型的输入层，在网络其它层上都使用了Batch Normalization，使用BN可以稳定学习，有助于处理初始化不良导致的训练问题。

• 去掉FC层，使网络变为全卷积网络

• G网络中使用ReLU作为激活函数，最后一层使用tanh

• D网络中使用LeakyReLU作为激活函数

DCGAN的generator网络结构：

那么具体说一下DCGAN的网络模型：

（1）G网络：100 z->fc layer->reshape ->deconv+batchNorm+RELU(4) ->tanh 64x64

（2）D网络（版本1）：conv+batchNorm+leakyRELU (4) ->reshape -> fc layer 1-> sigmoid

D网络（版本2）：conv+batchNorm+leakyRELU (4) ->reshape -> fc layer 2-> softmax

G网络使用4层反卷积，而D网络使用了4层卷积。基本上G网络和D网络的结构正好是反过来的。那么D网络最终的输出有两种做法，一种就是使用sigmoid输出一个0到1之间的单值作为概率，另一种则使用softmax输出两个值，一个是真的概率，一个是假的概率。两种方法本质上是一样的。

上面是DCGAN的生成网络模型的架构，对于LSUN，Imagenet-1k大小的数据集，我们可以使用这个架构，但并不是说对于任何数据集，都可以，比如，更大，或者更小的，那对应的卷积架构就需要进行改变。比如，对于mnist数据集，G和D的网络架构都相应地减小了，否则不能拟合，产生不了好的结果(亲测)。

那对于判别模型的话，就是5层卷积层网络。对与生成模型的，我们可以看到，从开始的Noise采样100维度，到最后生成了64x64x3的图片，经过了“de-convolution”层，实质是transport convolution 或者up-sampling convolution。下一节介绍下什么是反卷积层。

“反卷积”—上采样卷积

本节详细介绍下反卷积的由来。 
反卷积，英文decovolution。根据wiki的定义，其实是对卷积的逆向操作，也就是通过将卷积的输出信号，经过反卷积可以还原卷积的输入信号，还原的不仅仅是shape，还有value。 
但是深度学习中的所讲的反卷积实质是transport convolution。只是从2010年一篇论文[11]将其叫做了deconvolution，然后才有了这个名字。

那为什么叫做transport(转置)？

因为“反卷积”存在于卷积的反向传播中。其中反向传播的滤波器矩阵，是前向传播(卷积)的转置，所以，这就是它的名字的由来。只不过我们把反向传播的操作拿到了前向传播来做，就产生了所谓的反卷积一说。但是transport-convolution只能还原信号的大小，不能还原其value，所以，不能叫做反卷积。

训练细节

　 预处理环节，将图像scale到tanh的[-1, 1]。

• mini-batch训练，batch size是128.
• 所有的参数初始化由(0, 0.02)的正态分布中随即得到
• LeakyReLU的斜率是0.2.
• 虽然之前的GAN使用momentum来加速训练，DCGAN使用调好超参的Adam optimizer。
• learning rate=0.0002
• 将momentum参数beta从0.9降为0.5来防止震荡和不稳定。

大规模图像理解（LSUN）
在改善生成图像模型样本视觉质量的同时，也增加了对于训练样本的记忆和过拟合的关注。为证实我们的模型规模在更多的数据和跟高的分辨率怎样生成，我们在LSUN卧室数据集包含一个小的超过300万的训练样本上训练了一个模型。最近Hardt等人的分析表明怎样快速学习模型和泛化能力有着直接的联系。模仿在线学习，如图2所示展示了训练一次的样本，除了手链后的样本，我们显示来自一个周期的训练样本，模仿在线学习，以及收敛后的样本（图3所示），作为论证，我们的模型不是通过简单过拟合/记忆训练例子产生高质量的样本。图像没有用到数据增强。

——删除重复数据

为进一步降低生成器记忆输入样本的可能性(图 2),我们进行了一个简单的删除重复图像的过程。我们在训练样本的32*32下采样中心采样拟合了一个3072-128-3072去噪差正则化RELU自编码。

参考：

https://blog.csdn.net/stdcoutzyx/article/details/53872121

https://blog.csdn.net/u011534057/article/details/54845673