DCGAN论文笔记 源码解析x.doc

文档介绍：DCGAN论文笔记+源码解析x
DCGAN 论文笔记+ 源码解析 论文地址：UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS 源码地址：DCGAN in TensorFlow DCGAN，Deep Convolutional Generative Adversarial Networks 是生成对抗网络（Generative Adversarial Networks）的一种延伸，将卷积网络引入到生成式模型当中来做无监督的训练，利用卷积网络强大的特征提取能力来提高生成网络的学****效果。
DCGAN 有以下特点：
strided convolutions（跨步卷积）来替代空间池化（pooling），而在生成器模型中使用 fractional strided convolutions，即 deconv，反卷积层。
，在网络其它层上都使用了Batch Normalization，使用 BN 可以稳定学****有助于处理初始化不良导致的训练问题。
，而直接使用卷积层连接生成器和判别器的输入层以及输出层。
Tanh 激活函数，而在其它层使用 ReLU；在判别器上使用 leaky ReLU。
原论文中只给出了在 LSUN 实验上的生成器模型的结构图如下：
但是对于实验细节以及方法的介绍并不是很详细，于是便从源码入手来理解DCGAN 的工作原理。
先看 ：
with (config=run_config) as sess:
if == “mnist”:
dcgan = DCGAN(
sess,
width=,
input_height=,
width=,
output_height=,
batch_size=,
y_=10,
c_dim=1,
dataset_name=,
input_fname_pattern=,
is_crop=,
checkpoint_dir=,
sample_dir=) 因为我们使用 DCGAN 来生成 MNIST 数字手写体图像，注意这里的 y_dim=10，表示 0 到 9 这 10 个类别，c_dim=1，表示灰度图像。
再看 ：
def discriminator(self, image, y=None, reuse=False):
with ( discriminator ) as scope:
if reuse: