DCGAN对抗网络用于生成动漫卡通人物（Python代码）

  

DCGAN全称Deep Convolutional Generative Adversarial Networks，中文名深度卷积对抗网络。

1.1 DCGAN的特点
DCGAN除了G网络与CNN不同之外，它还有以下的不同：
1.取消所有pooling层。G网络中使用转置卷积（transposed convolutional layer）进行上采样，D网络中用加入stride的卷积代替pooling。
2.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。
3.G网络中使用ReLu作为激活函数，最后一层使用tanh
4.D网络中使用LeakyRelu作为激活函数。
 

二、几个重要概念
2.1 下采样（SubSampled）
下采样实际上就是缩小图像，主要目的是为了使得图像符合显示区域的大小，生成对应图像的缩略图。比如说在CNN中得池化层或卷积层就是下采样。不过卷积过程导致的图像变小是为了提取特征，而池化下采样是为了降低特征的维度。

2.2 上采样（UpSampled）
有下采样也就必然有上采样，上采样实际上就是放大图像，指的是任何可以让图像变成更高分辨率的技术，这个时候我们也就能理解为什么在G网络中能够由噪声生成一张图片了。
它有反卷积(Deconvolution)、上池化(UnPooling)方法。这里我们只介绍反卷积，因为这是是我们需要用到的。

2.3反卷积（Deconvolution）
反卷积(Deconvolution)也称为分数步长的卷积和转置卷积(transposed convolution)。在下图中，左边的为卷积，右边的为反卷积。convolution过程是将4×4的图像映射为2×2的图像，而反卷积过程则是将2×2的图像映射为4×4的图像，两者的kernel size均为3。不过显而易见，反卷积只能恢复图片的尺寸大小，而不能准确的恢复图片的像素值（此时我们想一想，在CNN中，卷积层的kernel我们可以学习，那么在反卷积中的kernel我们是不是也可以学习呢？）。
 

卡通数据集介绍

 一共850张

生成效果

 训练1000次生成的效果

 训练5000次生成

训练6000次生成

训练7000次生成

训练11000次生成

训练13000次生成

训练19000次生成

训练20000次生成

 对数据集和代码感兴趣的私聊，可以协作正常运行起来

环境库要求：

TensorFlow>2.4.0

python>3.6.0

import numpy as np
import os 
import matplotlib.pyplot as plt
import cv2

import warnings
warnings.filterwarnings('ignore')

import keras
from tensorflow.keras.optimizers import Adam
from keras.models import Sequential, Model
from keras.layers import Dense, LeakyReLU, Reshape, Flatten, Input
from keras.layers import Conv2D, MaxPooling2D, Activation, Dropout, Conv2DTranspose, GlobalAveragePooling2D,BatchNormalization

#压缩包https://mbd.pub/o/bread/ZJyVlphr