WGAN代码解读及实验总结

GAN作为图像的另一个新领域，本成为21世纪最好的idea。嘿嘿，最近小试牛刀，下载了个WGAN的代码，这里简单分析下，给大家一个参考。
【提示】
本文预计阅读时间5分钟，带灰色底纹的和加粗的为重要部分哦！

（一）WGAN初识

（二）代码分析

2.1 main struct

打开代码后，它的主要结构如下图所示。

我们先看一下wgan_conv主函数，打开之后首先直接到最底main的位置，如下

if __name__ == '__main__':

	os.environ['CUDA_VISIBLE_DEVICES'] = '0'
	# the dir of pic generated
	sample_folder = 'Samples/mnist_wgan_conv'
	if not os.path.exists(sample_folder):
		os.makedirs(sample_folder)

	# net param
	generator = G_conv_mnist()
	discriminator = D_conv_mnist()
	# data param
	data = mnist()

	# run
	wgan = WGAN(generator, discriminator, data)
	wgan.train(sample_folder)

这里做几点阐述

1、首先创建了一个目录用来存储你的生成图像，程序会每隔一段时间输出一个图像。
2、搞了三个类，一个generater生成器网络，一个是discriminator判别器类，然后是数据类。
3、又声明一个对象WGAN网络，然后调用它的train函数

OK至此，主函数结构阐述清楚。那此时你会想generater咋定义？discriminator咋定义？
好一个一个看。

2.2 generator

generator是生成器网络，其实就是搭了一个上采样的网络，先将噪声输入一维向量，通过全连接到更多的数据，然后把它展开成二维的图像，这里我们先用的灰度，你也可以改成彩色。然后再上采样，随意搞得，反正最后你要上采样到和你的正样本图像维度一致。如下所示：

class G_conv_mnist(object):
	def __init__(self):
		self.name = 'G_conv_mnist'

	def __call__(self, z):
		with tf.variable_scope(self.name) as scope:
			#step 1 全连接层，把z白噪声变为8*15*128图
			g = tcl.fully_connected(z, 8*15*128, activation_fn = tf.nn.relu, normalizer_fn=tcl.batch_norm,
									weights_initializer=tf.random_normal_initializer(0, 0.02))
			g = tf.reshape(g, (-1, 8, 15, 128)) 
			#step 2 反卷积/上采样 到16*30*64图    4代表卷积核大小
			g = tcl.conv2d_transpose(g, 64, 4,stride=2, 
									activation_fn=tf.nn.relu, normalizer_fn=tcl.batch_norm, padding='SAME', weights_initializer=tf.random_normal_initializer(0, 0.02))
			#step 3 反卷积/上采样 到32*60*1的图，此时和真实手写体的数据是一样的图
			g = tcl.conv2d_transpose(g, 1, 4, stride=2, 
										activation_fn=tf.nn.sigmoid, padding='SAME', weights_initializer=tf.random_normal_initializer(0, 0.02))
			print(g.shape)
			return g
	@property
	def vars(self):
		return tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES, scope=self.name)
	

注意：
这里你会看到一个call函数，它是咋用呢？
一个类下面有个call函数，你就可以生成一个对象后，直接把它当成方法用。例如
class G():
call(x):
print(x)
这样的话你就A = G()，然后再A(1)就打印了1。
其实就是说这个类弄好了，之后可以直接当函数用。

好，然后我们看一下discriminator

2.3 discriminator

和generator干了差不多的事情，他要把X和GX输进去，然后搭建一个卷积网络判别真假。

class D_conv_mnist(object):
	def __init__(self):
		self.name = 'D_conv_mnist'
	def __call__(self, x, reuse=