stylegan是在progan的基礎上改進而來，所以要分析漸近生成的訓練過程看progan的代碼更加明白，其實progan和stylegan的代碼也差不多
一.生成器的結構是networks_progan.py中的G_paper(.............)函數
1.latents_in.set_shape(),初始化輸入變量
2.labels_in其實用不着
3.lod_in，控制網絡結構的關鍵變量，在training_loop.py中賦值爲sched.lod
4.函數block（x,res）功能：將輸入特徵圖的尺寸翻倍
res=2時，接一個全連接然後reshape成4*4的特徵圖，再卷積
res>2時，upscale-conv 後再接一個conv
5.函數torgb（x,res）功能：將特徵圖通道數變成3
6.然後就是網絡主結構了，分爲兩個實現方式，linear和recursive，linear實現方式更易懂一點
原論文中說，以4*4爲例，訓練完畢4*4的尺寸之後，加入8*8的block繼續訓練，這裏有一個關鍵點，當前訓練尺寸爲size，那麼大於size的網絡模塊都用上採樣來搭建,整個網絡的大致圖如下：
理解lerp_clip（img,images_out,lod_in-lod）函數最爲重要，
以目標圖像512，訓練4*4爲例，lod=[6,0],
訓練開始lod_in=7,那麼lod_in-lod一直大於等於1，則lerp_clip()函數輸出一直是images_out,也就是不斷的上採樣；
當lod_in等於6.x了，說明4*4已經訓練完畢，當lod=6，lerp_clip()函數輸出img+(images_out-img)*(6.x-6)說明8*8的模塊已經加入了，並且隨着訓練的進行，lod_in逐漸降低，img的權重越來越高，也就是論文中中所著的fade in new layers smoothly.
recursive有點坑，img被初始化爲一個對4*4的特徵圖torgb之後一直上採樣到目標尺寸圖像大小，lod_in<lod爲True時，grow下一個分辨率的網絡模塊
二.D.paper(..................)很簡單啊，G的鏡像
除了這個訓練結構困擾了我這麼久，其他看起來都很簡單啊哈哈哈哈哈哈哈哈哈