Pytorch框架实现DCGAN（比较容易理解）

目录

1.了解DCGAN

2.本文DCGAN网络模型结构

（1）生成模型结构

（2）判别模型结构

（3）DCGAN模型结构

3.数据集下载 

4.GAN代码实现

5.mainWindow窗口显示生成器生成的图片

拓展

GAN原理及Pytorch框架实现GAN（比较容易理解）

1.了解DCGAN

• 最初的GAN网络主要基于全连接层实现生成器G和判别器D的（上面的连接给出了GAN的基本原理及实现），由于图片的维度比较高，网络参数量巨大，训练的效果不是很优秀。
• DCGAN提出了使用转置卷积（Transpose Convolution）层实现的生成网络，普通卷积层来实现的判别网络，大大降低了网络参数量，同时图片的生成效果也大幅度的提升，展现了GAN模型在图片生成效果上远远超过VAE模型的潜质。
• DCGAN提出了一系列经验性的GAN网络训练技巧，这些技巧在GAN提出之前被证实有利于网络的稳定训练。

2.本文DCGAN网络模型结构

（1）生成模型结构

 以深度卷积神经网络作为生成模型，其中以随机噪声作为生成模型的输入，输入向量通过五个反卷积映射为二维的输出图像（RGB）。

gen = Generator()
summary(gen, input_size=(1,100,1,1))

（2）判别模型结构

同样，以深度卷积神经网络作为生成模型，判别模型结构和生成模型结构相反。

dis = Discriminator()
summary(dis,input_size=(1,3,64,64))

（3）DCGAN模型结构

3.数据集下载 

链接：https://pan.baidu.com/s/1i_VU3aQpLkCx4Z5fhDVKHA 
提取码：79y3

4.GAN代码实现

提示：代码放在了Github上，读者自行下载：https://github.com/KeepTryingTo/Pytorch-GAN

5.mainWindow窗口显示生成器生成的图片

提示：这里编写了一个显示生成器显示图片的程序（mainWindow.py），加载之前训练之后保存的生成器模型，之后可使用该模型进行随机生成图片，如下：

（1）运行mainWindow.py 初始界面如下

（2）点击生成图片

拓展

pytorch中的detach作用

参考文章：

《TensorFlow深度学习》

《机器学习原理，算法与应用》