GAN网络之入门教程（三）之DCGAN原理

DCGAN简介
DCGAN的特点
几个重要概念
G模型
总结
- 参考

如果说最经常被用来处理图像的网络模型，那么毋庸置疑，应该是CNN了，而本次入土教程的最终目的是做一个动漫头像生成的网络模型，因此我们可以将CNN与GAN结合，也就是组成了传说中的DCGAN网络。

DCGAN简介

DCGAN全称Deep Convolutional Generative Adversarial Networks，中文名曰深度卷积对抗网络。论文地址在这里。

因为DCGAN是不仅与GAN有关还与CNN有关，因此，如果不是很了解的CNN的话，建议先去看一看CNN相关的知识，也可以参考一下我以前的博客。

这里我们可以在复述一下CNN的相关知识和特点。

CNN我们可以理解为如下的行为，逐层深入"抽丝剥茧”地“理解”一张图片或其他事物。图片经过CNN网络中的一系列layer，逐渐的对图像进行细化，最终将图像从一个大的维度变成一个小的维度。在DCGAN中，判别器实际上就是一个CNN网络。输入一张图片，然后输出yes or no的概率。

而在DCGAN中，$G$网络的模型是怎么样的？$G$网络刚好和CNN相反，它是由noise通过$G$网络生成一张图片，因为图片通过layer逐渐变大，与卷积作用刚好相反——因此我们可以称之为反卷积。

DCGAN的特点

当然，DCGAN除了$G$网络与CNN不同之外，它还有以下的不同：

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。
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。
G网络中使用ReLU作为激活函数，最后一层使用tanh
D网络中使用LeakyReLU作为激活函数

几个重要概念

为了能够继续了解DCGAN，我们还是得需要准备一下几个重要概念。

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。

上采样（upsampling）

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。

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？）。

关于更多的我就不做更多的讲解了，大家可以参考别人的博客进行学习。

批标准化(Batch Normalization)

推荐大家去看看什么是批标准化 (Batch Normalization)，通俗易懂。在下图中，我们可以看到，当$x_2 = 20$的时候，$tanh(wx_2) = 0.96$，已经比较接近于1，如果继续增大$x$，$tanh(wx)$也不会变化太多。也就是说此时增大$x$，已经不对$x$敏感了，而这种问题即出现在输入层也出现在隐藏层。因此，我们需要将数据进行标准化（Normalization），且不仅需要在输入层进行这种操作，且在隐藏层也需要这种操作。Batch normalization 的 batch 是批数据, 把数据分成小批小批进行随机梯度下降。