本文转载至知乎ID：Charles（白露未晞）知乎个人专栏

下载W3Cschool手机App，0基础随时随地学编程>>戳此了解

用深层卷积生成对抗网络进行无监督表示学习;

GenerativeAdversarialNets。

甘论文汇总：

https://github.com/zhangqianhui/AdversarialNetsPapers

声明

本教程提供的所有源码以及素材仅供学习交流使用，禁止商用/非法使用。

导语

发现之前两篇关于GAN的文章效果都比较一般，想试着优化一下，训练个像样一些的模型，至少不能太丢GAN的脸，于是就有了这篇文章。

OK，让我们愉快地开始吧〜

相关文件

百度网盘下载链接：https：//pan.baidu.com/s/1t-d5wq3TeBWcVzTOoraPtQ

密码：84ky

开发工具

蟒蛇中的版本：3.6.4

相关模块：

pytorch模块;

torchvision模块;

PIL模块;

以及一些Python中的中自带的模块。

PyTorch版本：

0.3.0

环境搭建

安装的Python的中并添加到环境变量，PIP安装需要的相关模块即可。

补充说明：

PyTorch0.3.0不支持直接的PIP安装（Windows）中中中。

有两个选择：

（1）安装anaconda3后在anaconda3的环境下安装（直接PIP安装即可）;

（2）使用编译好的WHL文件安装，下载链接为：

https://pan.baidu.com/s/1dF6ayLr#list/path=%2Fpytorch

原理简介

关于生成对抗网络的核心思想，请参考之前的文章：

【Python中的中】利用甘生成MNIST数据集。

顺便补充一下甘训练目标的数学语言描述：

公式解释如下：

X：真实图片;

Z：输入ģ网络的噪声;

G（Z）：G ^网络生成的图片;

d（X）：真实图片是否真实的概率;

d（G（X））：G ^网络生成的图片是否真实的概率。

正如之前的文章所述，生成网络ģ的训练目标是尽可能生成真实的图片去欺骗判别网络d;而判别网络d的训练目标就是尽可能把生成网络ģ生成的图片和真实的图片区别开来，即训练过程是一个动态的“博弈过程”。

因此，公式中的ģ网络希望d（G（Z））尽可能得大; d网络希望d（x）的的的尽可能得大，d（G（X））尽可能得小故而公式的训练目标为：

更多关于甘的原理介绍和应用可参考“ 参考文献 ”部分的内容。

具体模型

与【的的的Python】利用GAN神奇生成宝贝一文中使用的网络结构不同，本文使用了全卷积网络结构（即不再加入全连接层FC）。同时本文增加了训练数据量，使用了大约5万张动漫头像作为训练数据。

具体而言，生成器结构为：

判别器结构为：

具体实现详见相关文件中的源代码。

模型训练

一。训练数据集

使用了大约5万张动漫头像作为训练数据集，数据集源：

https://zhuanlan.zhihu.com/p/24767059。

二，模型训练

修改config.json文件中的训练数据集路径：

在CMD显示窗口显示运行显示train.py文件即可。

训练截图：

效果展示

Epoch0：

Epoch5：

Epoch10：

Epoch15：

Epoch20：

Epoch25：

Epoch29：

更多

代码截止2018年7月4日测试无误。

相关文件中提供了训练好的模型以及调用模型的简单脚本，直接在cmd窗口运行“ test.py ”文件即可生成动漫头像：