理工酷

背景

作者曾尝试使用cifar10建立GAN模型，这与MNIST图像集有所不同。因此结果不够好于预期。也许颜色尺寸是更复杂的生成因素。根据许多其他实现，网站和博客的介绍，cifar10的深度卷积模型是由自己的例程创建的。并添加一些重要提示。

编码条件

• python 3.5.2
• tensorflow 1.3.0
• cifa10 python image set (https://www.cs.toronto.edu/~kriz/cifar.html)

构建模型

判别器

• D: (100, 32, 32, 3) // input image shape with batch size 100
• D: (100, 16, 16, 64) // after conv2d 5x5 stride 2
• D: (100, 8, 8, 128) // after conv2d 5x5 stride 2
• D: (100, 4, 4, 256) // after conv2d 5x5 stride 2
• D: (100, 2, 2, 512) // after conv2d 5x5 stride 2
• D: (100, 2048) // flatten
• D: (100, 1) // sigmoid out

生成器

• G: (100, 100) // noise vector with batch size 100
• G: (100, 2048) // after linear
• G: (100, 2, 2, 512) // reshape
• G: (100, 4, 4, 256) // after deconv2d 5x5 stride 2
• G: (100, 8, 8, 128) // after deconv2d 5x5 stride 2
• G: (100, 16, 16, 64) // after deconv2d 5x5 stride 2
• G: (100, 32, 32, 3) // after deconv2d 5x5 stride 2 and tanh out

注意

• 除最后一层外的所有层。在描述符中使用relu，
• 对判别器（1e-3）和生成器（1e-4）使用不同的学习率
• 使用axis =“ channel index”的批处理归一化
• 在生成器中使用tanh输出
• 在第一层和最后一层不使用批处理规范化
• 一次训练鉴别器，两次生成器

结果样本

视频结果参考：https://www.youtube.com/watch?v=_REVVMWa9aE

CIFAR10图像数据集可参考： https://www.ligongku.com/resource/737

转载自：https://github.com/4thgen/DCGAN-CIFAR10