在 /home/your_name/TensorFlow/DCGAN/ 下新建文件 utils.py，输入如下代码：
import scipy.misc import numpy as np # 保存图片函数 def save_images(images, size, path): """ Save the samples images The best size number is int(max(sqrt(image.shape[0]),sqrt(image.shape[1]))) + 1 example: The batch_size is 64, then the size is recommended [8, 8] The batch_size is 32, then the size is recommended [6, 6] """ # 图片归一化，主要用于生成器输出是 tanh 形式的归一化 img = (images + 1.0) / 2.0 h, w = img.shape[1], img.shape[2] # 产生一个大画布，用来保存生成的 batch_size 个图像 merge_img = np.zeros((h * size[0], w * size[1], 3)) # 循环使得画布特定地方值为某一幅图像的值 for idx, image in enumerate(images): i = idx % size[1] j = idx // size[1] merge_img[j*h:j*h+h, i*w:i*w+w, :] = image # 保存画布 return scipy.misc.imsave(path, merge_img)
这个函数的作用是在训练的过程中保存采样生成的图片。
在 /home/your_name/TensorFlow/DCGAN/ 下新建文件 model.py，定义生成器，判别器和训练过程中的采样网络，在 model.py 输入如下代码：
import tensorflow as tf from ops import * BATCH_SIZE = 64 # 定义生成器 def generator(z, y, train = True): # y 是一个 [BATCH_SIZE, 10] 维的向量，把 y 转成四维张量 yb = tf.reshape(y, [BATCH_SIZE, 1, 1, 10], name = 'yb') # 把 y 作为约束条件和 z 拼接起来 z = tf.concat(1, [z, y], name = 'z_concat_y') # 经过一个全连接，BN 和激活层 ReLu h1 = tf.nn.relu(batch_norm_layer(fully_connected(z, 1024, 'g_fully_connected1'), is_train = train, name = 'g_bn1')) # 把约束条件和上一层拼接起来 h1 = tf.concat(1, [h1, y], name = 'active1_concat_y') h2 = tf.nn.relu(batch_norm_layer(fully_connected(h1, 128 * 49, 'g_fully_connected2'), is_train = train, name = 'g_bn2')) h2 = tf.reshape(h2, [64, 7, 7, 128], name = 'h2_reshape') # 把约束条件和上一层拼接起来 h2 = conv_cond_concat(h2, yb, name = 'active2_concat_y') h3 = tf.nn.relu(batch_norm_layer(deconv2d(h2, [64,14,14,128], name = 'g_deconv2d3'), is_train = train, name = 'g_bn3')) h3 = conv_cond_concat(h3, yb, name = 'active3_concat_y') # 经过一个 sigmoid 函数把值归一化为 0~1 之间， h4 = tf.nn.sigmoid(deconv2d(h3, [64, 28, 28, 1], name = 'g_deconv2d4'), name = 'generate_image') return h4 # 定义判别器 def discriminator(image, y, reuse = False): # 因为真实数据和生成数据都要经过判别器，所以需要指定 reuse 是否可用 if reuse: tf.get_variable_scope().reuse_variables() # 同生成器一样，判别器也需要把约束条件串联进来 yb = tf.reshape(y, [BATCH_SIZE, 1, 1, 10], name = 'yb') x = conv_cond_concat(image, yb, name = 'image_concat_y') # 卷积，激活，串联条件。 h1 = lrelu(conv2d(x, 11, name = 'd_conv2d1'), name = 'lrelu1') h1 = conv_cond_concat(h1, yb, name = 'h1_concat_yb') h2 = lrelu(batch_norm_layer(conv2d(h1, 74, name = 'd_conv2d2'), name = 'd_bn2'), name = 'lrelu2') h2 = tf.reshape(h2, [BATCH_SIZE, -1], name = 'reshape_lrelu2_to_2d') h2 = tf.concat(1, [h2, y], name = 'lrelu2_concat_y') h3 = lrelu(batch_norm_layer(fully_connected(h2, 1024, name = 'd_fully_connected3'), name = 'd_bn3'), name = 'lrelu3') h3 = tf.concat(1,[h3, y], name = 'lrelu3_concat_y') # 全连接层，输出以为 loss 值 h4 = fully_connected(h3, 1, name = 'd_result_withouts_sigmoid') return tf.nn.sigmoid(h4, name = 'discriminator_result_with_sigmoid'), h4 # 定义训练过程中的采样函数 def sampler(z, y, train = True): tf.get_variable_scope().reuse_variables() return generator(z, y, train = train)
可以看到，生成器由 7 × 7 变为 14 × 14 再变为 28 × 28大小，每一层都加入了约束条件 y，完美的诠释了论文所给出的网络，之所以要加入 is_train 参数，是由于 Batch_norm 层中训练和测试的时候的过程是不同的，用这个参数区分训练和测试，生成器的最后一层，用了一个 sigmoid 函数把值归一化到 0~1 之间，如果是不加约束的网络，则用 tanh 函数，所以在 save_images 函数中要用到语句：img = (images + 1.0) / 2.0。
sampler 函数的作用是在训练过程中对生成器生成的图片进行采样，所以这个函数必须指定 reuse 可用，关于 reuse 说明，请看：http://www.cnblogs.com/Charles-Wan/p/6200446.html。
参考资料：
1. https://github.com/carpedm20/DCGAN-tensorflow