『cs231n』通过代码理解gan网络&tensorflow共享变量机制_上
一、计算图效果以及实际代码实现
计算图效果
实际模型实现
相关介绍移步我的github项目。
二、生成器与判别器设计
生成器
相关参量，
噪声向量z维度:100
标签向量y维度:10(如果有的话)
生成器features控制参量gf标量值:64
生成器features控制参量gfc标量值:1024
无标签训练，
100 -线性层->
4*4*8*64 -转置卷积-> 4,4,8*64 -转置卷积-> 8,8,4*64 -转置卷积-> 16,16,2*64 -转置卷积-> 32,32,64 -转置卷积->
64,64,3
含标签训练，所谓的concat实际就是把features和y进行拼接，
新参量：
z=110，yb = 1,1,10
110 -线性层->
1024 -concat->
1034 -线性层->
16*16*2*64 -reshape->
16,16,128 -concat->
16,16,138 -转置卷积->
32,32,128 -concat->
32,32,138 -转置卷积->
64,64,3
判别器
相关参量，
图片维度:64，64，3
标签向量y维度:10(如果有的话)
生成器features控制参量df标量值:64
生成器features控制参量dfc标量值:1024
无标签训练，
64,64,3 -conv-> 32,32,64 -conv-> 16,16,64*2 -conv-> 8,8,64*4 -conv->
4,4,64*8 -reshape->
4*4*64*8 -线性层-> 1
含标签训练，
新参量：
x = 64,64,13，yb = 1,1,10
64,64,13 -conv-> 32,32,13 -concat->
32,32,23 -conv->
16,16,74 -reshape->
16*16*74 -concat->
16*16*74+10 -线性层->
1024 -concat->
1034 -线性层-> 1
三、结果查看
生成器损失
判别器real损失
判别器fake损失
判别器总损失
从训练过程中来看，经历了初期的下降之后，几个loss值均会在波动中维持一个动态平衡，而GAN的loss值并不能直接反应训练结果，所以我们需要直接看输出图。
本次实验中一功运行了23个epoch，这里给出每个epoch开始的输出以及最后的的一张输出，以供参考：
