前言

在我们之前的文章中，我们学习了如何构造一个简单的 GAN 来生成 MNIST 手写图片。对于图像问题，卷积神经网络相比于简单地全连接的神经网络更具优势，因此，我们这一节我们将继续深入 GAN，通过融合卷积神经网络来对我们的 GAN 进行改进，实现一个深度卷积 GAN。如果还没有亲手实践过 GAN 的小伙伴可以先去学习一下上一篇专栏：生成对抗网络（GAN）之 MNIST 数据生成。

专栏中的所有代码都在我的 GitHub中，欢迎 star 与 fork。

本次代码在 NELSONZHAO/zhihu/dcgan，里面包含了两个文件：

• dcgan_mnist：基于 MNIST 手写数据集构造深度卷积 GAN 模型

• dcgan_cifar：基于 CIFAR 数据集构造深度卷积 GAN 模型

本文主要以 MNIST 为例进行介绍，两者在本质上没有差别，只在细微的参数上有所调整。由于穷学生资源有限，没有对模型增加迭代次数，也没有构造更深的模型。并且也没有选取像素很高的图像，高像素非常消耗计算量。本节只是一个抛砖引玉的作用，让大家了解 DCGAN 的结构，如果有资源的小伙伴可以自己去尝试其他更清晰的图片以及更深的结构，相信会取得很不错的结果。

工具

• Python3

• TensorFlow 1.0

• Jupyter notebook
  

正文

整个正文部分将包括以下部分：

- 数据加载

- 模型输入

- Generator

- Discrimin