GAN 对抗生成网络原理解析

定义生成器 ：

    def build_generator(self):
        model = Sequential()
        model.add(Dense(128*56*56, activation = 'relu', input_dim = self.latent_dim))
        model.add(Reshape((56,56,128)))
        model.add(BatchNormalization(momentum = 0.8))
        model.add(UpSampling2D())
        model.add(Conv2D(128, kernel_size = 3, padding = 'same'))
        model.add(Activation('relu'))
        model.add(BatchNormalization(momentum = 0.8))
        model.add(UpSampling2D())
        model.add(Conv2D(64, kernel_size = 3, padding = 'same'))
        model.add(Activation('relu'))
        model.add(BatchNormalization(momentum = 0.8))
        model.add(Conv2D(self.channels, kernel_size = 3, padding = 'same'))
        model.add(Activation('tanh'))
        model.summary()

（代码中参数值：latent_dim = 100， channels = 3）

输入：100维的噪声

输出：224*224*3的图像

细心的人会发现，前几层的激活函数都是relu，最后一层改为了tanh。其实普通的神经网络的最后一层是用不到激活函数的，GAN网络是由生成器和判别器组成，生成器的输出是判别器的输入，两者构成一个完整的网络。生成器的最后一层接tanh激活函数，既起到激活作用，又起到归一作用，将生成器的输出归一化至[-1,1]，作为判别器的输入。

定义判别器：

    def build_discriminator(self):
        model = Sequential()
        model.add(Conv2D(16, kernel_size = 3, strides = 2, input_shape =(224,224,3),padding = 'same'))
        model.add(LeakyReLU(alpha=0.2))
        model.add(Dropout(0.25))
        model.add(Conv2D(32, kernel_size=3, strides=2, padding="same"))
        model.add(ZeroPadding2D(padding=((0,1),(0,1))))
        model.add(LeakyReLU(alpha=0.2))
        model.add(Dropout(0.25))
        model.add(BatchNormalization(momentum=0.8))
        model.add(Conv2D(64, kernel_size=3, strides=2, padding="same"))
        model.add(LeakyReLU(alpha=0.2))
        model.add(Dropout(0.25))
        model.add(BatchNormalization(momentum=0.8))
        model.add(Conv2D(128, kernel_size=3, strides=1, padding="same"))
        model.add(LeakyReLU(alpha=0.2))
        model.add(Dropout(0.25))

        model.add(Flatten())
        model.summary()

 输入：224*224*3，即生成器的输出