论文阅读——《Unsupervised Representation Learning With Deep Convolutional Generative Adversarial Networks》

最新推荐文章于 2021-11-13 19:58:13 发布

原创

最新推荐文章于 2021-11-13 19:58:13 发布 · 1.9k 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#GAN #DCGAN #Deep Learning #论文阅读

论文阅读之 Unsupervised Representation Learning With Deep Convolutional Generative Adversarial Networks

1. Introduction

这篇论文主要有以下几个方面的贡献:

作者对卷积GAN的拓扑结构提出并评估了一系列的限制, 使得卷积GAN在大部分的设置下能够稳定的训练. 作者把这种结构称作 Deep Convolutional GANs(DCGAN)
作者将训练好的的判别器用于图像识别任务, 展示了与其他非监督算法的有竞争性的表现
他们对GAN学习到的filter进行了可视化, 实验表明特定的filter学习到了去生成特定的物体
我们展示了生成器具有有趣的矢量算术属性，使得能够允许容易地操纵生成的样本的语义性质。

3. Approach and model architecture

相较于原始的GAN, 作者主要做了以下几个改变:

用步长卷积(判别器)和反卷积(生成器)代替池化层.
在生成器和判别器中都使用batch normal.
移除全连接层.
生成器的所有层都是使用ReLU激活函数, 除了输出层使用Tanh激活函数.
判别器的所有层都使用LeakyReLU激活函数.

论文中的所用的网络结构如下:
在这里插入图片描述
判别器的网络结构与此对称. 代码如下, 结构略有不同, 最终生成的是32 * 32 * 3 的图片, 仅供参考:

def generator(z, reuse=False, training=True):
   with tf.variable_scope('generator', reuse=reuse):
       # 1 * 1 * 100 -> 4 * 4 * 512
       h0 = tf.layers.conv2d_transpose(z, 512, [4, 4], strides=(1, 1), padding='valid', name='g_h0_dconv')
       h0 = leaky_relu(tf.layers.batch_normalization