GAN 對抗生成網絡原理解析

定義生成器 ：

    def build_generator(self):
        model = Sequential()
        model.add(Dense(128*56*56, activation = 'relu', input_dim = self.latent_dim))
        model.add(Reshape((56,56,128)))
        model.add(BatchNormalization(momentum = 0.8))
        model.add(UpSampling2D())
        model.add(Conv2D(128, kernel_size = 3, padding = 'same'))
        model.add(Activation('relu'))
        model.add(BatchNormalization(momentum = 0.8))
        model.add(UpSampling2D())
        model.add(Conv2D(64, kernel_size = 3, padding = 'same'))
        model.add(Activation('relu'))
        model.add(BatchNormalization(momentum = 0.8))
        model.add(Conv2D(self.channels, kernel_size = 3, padding = 'same'))
        model.add(Activation('tanh'))
        model.summary()

（代碼中參數值：latent_dim = 100， channels = 3）

輸入：100維的噪聲

輸出：224*224*3的圖像

細心的人會發現，前幾層的激活函數都是relu，最後一層改爲了tanh。其實普通的神經網絡的最後一層是用不到激活函數的，GAN網絡是由生成器和判別器組成，生成器的輸出是判別器的輸入，兩者構成一個完整的網絡。生成器的最後一層接tanh激活函數，既起到激活作用，又起到歸一作用，將生成器的輸出歸一化至[-1,1]，作爲判別器的輸入。

定義判別器：

    def build_discriminator(self):
        model = Sequential()
        model.add(Conv2D(16, kernel_size = 3, strides = 2, input_shape =(224,224,3),padding = 'same'))
        model.add(LeakyReLU(alpha=0.2))
        model.add(Dropout(0.25))
        model.add(Conv2D(32, kernel_size=3, strides=2, padding="same"))
        model.add(ZeroPadding2D(padding=((0,1),(0,1))))
        model.add(LeakyReLU(alpha=0.2))
        model.add(Dropout(0.25))
        model.add(BatchNormalization(momentum=0.8))
        model.add(Conv2D(64, kernel_size=3, strides=2, padding="same"))
        model.add(LeakyReLU(alpha=0.2))
        model.add(Dropout(0.25))
        model.add(BatchNormalization(momentum=0.8))
        model.add(Conv2D(128, kernel_size=3, strides=1, padding="same"))
        model.add(LeakyReLU(alpha=0.2))
        model.add(Dropout(0.25))

        model.add(Flatten())
        model.summary()

 輸入：224*224*3，即生成器的輸出