29、生成对抗网络（GAN）：架构、应用与实现

生成对抗网络（GAN）：架构、应用与实现

1. DCGAN简介

DCGAN（深度卷积生成对抗网络）由生成器和判别器组合而成。训练时，先在小批量数据上训练判别器，然后冻结判别器训练生成器，这个过程会迭代数千个周期。使用Adam优化器和0.002的学习率能得到更稳定的结果。

2. 为MNIST数字构建DCGAN

• 生成器构建
  • 生成器通过顺序添加层来构建。第一层是全连接层，接收100维的噪声作为输入。将100维输入扩展为大小为128 × 7 × 7的扁平向量，目的是最终得到28 × 28大小的输出，这是MNIST手写数字的标准尺寸。
  • 向量被重塑为7 × 7 × 128的张量，然后使用TensorFlow Keras的UpSampling2D层进行上采样，该层只是简单地将图像的行和列加倍，且没有权重，计算成本低。
  • 上采样后的图像经过卷积层，卷积层学习填充上采样图像的细节。卷积输出经过批量归一化以实现更好的梯度流，批量归一化后的输出在所有中间层进行ReLU激活。
  • 重复“上采样 | 卷积 | 批量归一化 | ReLU”的结构，在下面的生成器中，有两个这样的结构，第一个卷积操作有128个滤波器，第二个有64个滤波器。最终输出通过一个有3个滤波器和双曲正切激活的纯卷积层得到，输出大小为28 × 28 × 1。

def build_generator(self):
    model = Sequential