DCGAN生成彩色头像

最近是一段特殊时期，因为发热，虽然未到过疫区或接触过疑似患者，但仍被要求在家隔离，本人非计算机专业，业余爱好编程，最感兴趣的是深度神经网络，天天看大佬们发各种博文或帖子，一直再学习，刚好利用在家隔离的时间，看了一些东西，也算略有所得，计算机专业飘过即可，和我一样的爱好者可以看看。
关于DCGAN的原理不再赘述，优快云里有太多博文，直接上自己的代码，当然参考了不少网友的博文，最初是学习应用GAN生成MNIST，后来继续学习DCGAN生成MNIST和cifar10，后来在网上找到别人发的man 和woman的图片集（cycleGAN的素材，暂时还没开始学，下一步就是它了），原图是256×256的，因为笔记本显卡的限制，跑不了这么大的图片，把它转为64×64的，batch size为8，设的很小，我的机器居然能跑起来，没有报显卡内存不足。训练了2个半小时，先看代码，里面有详细的注释，和我一样的新人可以参考一下，同时感谢优快云里的网友们发的文章。很多都是参考别人的，关于生成器和鉴别器的代码，我是参考别人的依葫芦画瓢弄得。

import tensorflow as tf
import numpy as np
import PIL.Image as Image
import os
import time
import matplotlib.pyplot as plt

LOG_PATH = 'dcgan_64'
SAMPLE_PATH = LOG_PATH + os.sep + 'sample'
# 噪声数据的大小，100
NOISE_SIZE = 100
# 每一个batch值
BATCH_SIZE = 8
# 真实图片尺寸
REAL_SHAPE = [-1, 64, 64, 3]
# ADAM参数
BETA1 = 0.5
BETA2 = 0.9
# 平滑参数
SMOOTH = 0.1
# 每次迭代判别器训练
CRITIC_NUM = 5
# 生成图片的维度
OUTPUT_DIM = 3
# 迭代的epoch值
EPOCHES = 30000
# 用于展示的图片,每行及每列个数，10*10=100
NUM_SHOW_SAMPLE = 10
# 学习率
LEARNING_RATE = 2e-4


# 构造输入样本的数据,real_size 和 noise_size, 生成初始化的real_image 和 noise_image
def get_inputs():
    # 真实样本输入
    inputs_real = tf.placeholder(tf.float32, [None, REAL_SHAPE[1], REAL_SHAPE[2], REAL_SHAPE[3]], name='inputs_real')
    # 噪音数据的维度为[None , 100]
    inputs_noise = tf.placeholder(tf.float32, [None, NOISE_SIZE], name='inouts_noise')
    return inputs_real, inputs_noise


# 构造generator网络，将[None, 100]的噪音数据, 生成[None, 64, 64, 3]的图片数据
def get_generator(noise_img, output_dim, is_train=True):
    """
    :param noise_img: 噪声信号，tensor类型
    :param output_dim: 生成图片的通道数
    :param is_train: 是否为训练状态，该参数主要用于作为batch_normalization方法中的参数使用(训练时候开启)
    """
    # 训练时生成器不允许复用
    with tf.variable_scope("generator", reuse=(not is_train)):
        # 100 -> 8*8*128 - > [8, 8, 128]
        # 进行全连接操作，将100的数据通过全连接，转换为[None ,8*8*128]
        layer1 = tf.layers.dense(noise_img, 8 * 8 * 128, activation='relu')
        # 进行维度变化，将其转换为[-1, 8, 8, 128]
        layer1 = tf.reshape(layer1, [-1, 8, 8, 128])
        # print('noise_img: ', np.shape(noise_img))
        # print('layer1: ', np.shape(layer1))

        # [8, 8, 128] -> [16, 16, 128] -> BN -> relu
        # 进行反卷积操作， [8, 8, 128] -> [16, 16, 128]
        layer2 = tf.layers.conv2d_transpose(layer1, 128, 3, 2, padding='same',
                                            kernel_initializer=tf.random_normal_initializer(0, 0.02),
                                            bias_initializer=tf.random_normal_initializer(0, 0.02))
        # 进行归一化操作
        layer2 = tf.layers.batch_normalization(layer2, momentum=0.8, training=is_train)
        layer2 = tf.nn.relu(layer2)
        # print('layer2: ', np.shape(layer2))

        #    [16, 16, 128] -> [32, 32, 64] -> BN -> relu
        # 进行反卷积操作，stride=2，维度扩大为原来的2倍
        layer3 = tf.layers.conv2d_transpose(layer2, 64, 3, 2, padding='same',
                                            kernel_initializer=tf.random_normal_initializer(0, 0.02),
                                            bias_initializer=tf.random_normal_initializer(0