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