1、什么是DCGAN

简单来说就是将原始的GAN和CNN结合到了一起。
生成器和判别器都使用了深度卷积神经网络来生成对抗网络

2、为什么DCGAN

原始的GAN可能存在的一些问题：

  • 很难使一对模型（G和D同时）收敛因为在原始的GAN的设计中，生成器和判别器两者的损失函数是一个博弈的过程，在梯度下降过程中一个可能在走下山，另一个可能就在上山，
  • 生成器G发生模式崩溃
  • 生成器梯度消失问题，当判别器非常准确时，判别器的损失很快收敛到0，从而无法提供可靠的路径使生成器的梯度继续更新，造成生成器梯度消失。

DCGAN在很大程度上去处理这些问题。

3、DCGAN的网络结构设计

image.png

  • 取消所有的pooling层，G网络使用反卷积进行上采样，D网络采用stride缩小图片
  • G网络中使用Relu作为激活函数，最后一层采用tanh作为激活函数
  • D网络中使用LeakyReLU作为激活函数
  • 在G网和D网中都添加了披标准化处理BN
  • 直接将BN层应用到所有层会导致样本震荡和不稳定，所以在generator的输出层和discriminator的输入层不使用。
  • 论文中提供的超参数：learning_rate:0.0002 batch size:128