DCGAN 使用指南：将卷积神经网络和对抗网络结合
- 网络结构
- 细节设计
论文地址：https://arxiv.org/abs/1511.06434
项目代码：https://github.com/tensorlayer/DCGAN.git
DCGAN 适用于生成小尺寸的图像，并且具有简单易用的优势
StyleGAN 适用于生成高分辨率、高质量的图像，并且具有对风格的精细控制能力。
具体选择哪个方法取决于应用需求和数据的特点。
网络结构
如上图，生成器的输入是一个 100 维的噪声向量。
再将100维向量变成 4*4*1024 的张量，将原始的一维数据扩展到更高维度，以便能够利用卷积、池化、全连接等操作进行计算和学习。
可理解为将原始数据映射到一个 4*4 的二维空间，并在每个位置上用 1024 个通道表示特征。
把 4*4*1024 的张量增大为 8*8*512 张量，是反卷积操作。
-
卷积操作用于从输入数据中提取特征，参数共享，输出尺寸减小。卷积操作通常导致尺寸的减小。
-
反卷积操作用于将低维特征图恢复到原始输入尺寸，参数共享（在逆卷积过程中对输入的重复采样），反卷积操作通常导致尺寸的增大。
经过 4 个反卷积层，每次分辨率都提升 2 倍，最终得到 64*64*3。
判别器：把生成的图像送入，输出一个概率。
把图像不断降低 2 倍，最后变成 4*4*512，是生成器的反向。
细节设计
-
去除全连接层，使用步长卷积代替池化
去除全连接层减少了参数量并保留了空间信息，而使用步长卷积避免了信息丢失并提取更好的特征，提升了 DCGAN 的性能和生成图像质量。
-
生成器输出层使用tanh，其他层使用ReLU
使用tanh激活函数作为生成器输出层的选择是为了限制生成图像的范围，使其与真实图像的像素范围更接近。
但在其他层中使用ReLU等非饱和激活函数可以避免梯度消失问题，并提供更大的表达能力，以更好地学习数据分布。
-
判别器输出层使用sigmoid激活函数的好处，其他层使用leaky ReLU激活函数
使用sigmoid激活函数的原因是将判别器的输出转换为概率值[0,1]，方便进行真假分类。
其他层使用Leaky ReLU激活函数是为了克服ReLU的一些限制，提供更好的梯度传播和表达能力。
-
看上图，卷积层都使用 Batch Normalization，生成器输出层、判别器输入层为没有使用
生成器输出层和判别器输入层通常不使用批量归一化，以保持生成样本的多样性、真实性和判别器的性能。
其他层使用批量归一化是为了加速网络的收敛速度、防止梯度消失或爆炸、提高泛化能力，并具有一定的正则化效果。
