代碼放在了github上：Mobilenet+GAN
因爲國內對discriminator的叫法很多，所以筆者這裏就直接用英文了。
二次元頭像只需要利用最簡單的DCGAN網絡結構就可以穩定，快速地訓練出來。因爲本篇重點不是DCGAN，這裏對DCGAN就不做介紹了。
筆者這次利用Mobilenet-v1中的depth-wise seperable 結構來做GAN的鑑定器，並與DCGAN進行對比。也對一些參數進行了調整以做對比。
1、depth-wise seperable 結構用作discriminator時，訓練結果並不穩定，而且收斂較慢，效果不太好。
2、處理圖片時，歸一化到【-1,1】比【0,1】好，後者生成的圖片偏亮。還有在保存生成的圖片時，一定要講生成器調爲eval模式，否則生成圖片依然會偏亮。
3、discriminator太強時，生成器就已經學不到東西了。這裏可以參考知乎上面一篇還算詳細的推導：鏈接
4、我們一般在更新完discriminator後更新生成器，這時我們會重新產生一個生成器的輸入，經過生成器擬合以後，然後再把生成器的輸出拿給discriminator打分，並更新生成器參數。筆者嘗試同時更新兩者的參數：即
只產生一次輸入，得到discriminator的輸出後，同時計算loss，並對discriminator以及生成器進行更新。筆者對每種更新方式訓練了大概10次，每次50個epoch(1280張圖片)，得到的平均損失函數圖像如下所示：
從圖中可以很明顯看到同時更新參數的生成器訓練的更好一些(紅線),而對discriminator並沒有明顯影響。
5、discriminator的輸入層不要接BatchNormalization，輸出層加個sigmoid可以加快收斂。
其他效果圖可以在github上看到。