GAN实战笔记中，如何深入理解DCGAN的原理与应用？
- 内容介绍
- 文章标签
- 相关推荐
本文共计4730个文字，预计阅读时间需要19分钟。
深度卷积生成对抗网络（DCGAN）+ 我们在第3章实现了GAN，生成器和判别器均具有单个隐藏层的简单前馈神经网络。尽管很简单，但GAN的生成器在充分训练后能得到逼真的手写数字图像。
深度卷积生成对抗网络（DCGAN）我们在第3章实现了一个GAN,其生成器和判别器是具有单个隐藏层的简单前馈神经网络。尽管很简单，但GAN的生成器充分训练后得到的手写数字图像的真实性有些还是很具说服力的。即使是那些无法被识别为人类手写数字的字符，也具有许多手写符号的特征，例如可辨认的线条边缘和形状，特别是与用作生成器原始输入的随机噪声相比，更是如此。
想象一下，如果使用更强大的网络架构可以实现什么？本章中的生成器和判别器都将使用卷积神经网络(CNN,或 ConvNet),而不再是简单的双层前馈网络。这种GAN架构称为深度卷积生成对抗网络( Deep Convolutional GAN, DCGAN)。
在深入探讨 DCGAN实现的细节之前，我们先在本章介绍 ConvNet的关键概念，回顾开发DCGAN背后的历史，并介绍使DCGAN这样复杂的架构在实践中变为可行的关键性突破之一：批归一化( batch normalization)。
一、卷积神经网络 1. 卷积滤波器常规前馈神经网络的神经元排列在平面的全连接层中，而 ConvNet中的层排列在三维（宽高深）中。卷积是通过在输入层上滑动一个或多个滤波器(filter)来执行的，每个滤波器都有一个相对较小的感受野(宽×高)，但它贯穿输入图像的全部深度。
本文共计4730个文字，预计阅读时间需要19分钟。
深度卷积生成对抗网络（DCGAN）+ 我们在第3章实现了GAN，生成器和判别器均具有单个隐藏层的简单前馈神经网络。尽管很简单，但GAN的生成器在充分训练后能得到逼真的手写数字图像。
深度卷积生成对抗网络（DCGAN）我们在第3章实现了一个GAN,其生成器和判别器是具有单个隐藏层的简单前馈神经网络。尽管很简单，但GAN的生成器充分训练后得到的手写数字图像的真实性有些还是很具说服力的。即使是那些无法被识别为人类手写数字的字符，也具有许多手写符号的特征，例如可辨认的线条边缘和形状，特别是与用作生成器原始输入的随机噪声相比，更是如此。
想象一下，如果使用更强大的网络架构可以实现什么？本章中的生成器和判别器都将使用卷积神经网络(CNN,或 ConvNet),而不再是简单的双层前馈网络。这种GAN架构称为深度卷积生成对抗网络( Deep Convolutional GAN, DCGAN)。
在深入探讨 DCGAN实现的细节之前，我们先在本章介绍 ConvNet的关键概念，回顾开发DCGAN背后的历史，并介绍使DCGAN这样复杂的架构在实践中变为可行的关键性突破之一：批归一化( batch normalization)。
一、卷积神经网络 1. 卷积滤波器常规前馈神经网络的神经元排列在平面的全连接层中，而 ConvNet中的层排列在三维（宽高深）中。卷积是通过在输入层上滑动一个或多个滤波器(filter)来执行的，每个滤波器都有一个相对较小的感受野(宽×高)，但它贯穿输入图像的全部深度。