DCGAN的全称是Deep Convolutional Generative Adversarial Networks，即深度卷积对抗生成网络。它是由Alec Radford在ICLR 2016会议中提出的。前面介绍GAN在判别器和生成器上使用的网络结构都是全连接网络，这种结构相对于卷积神经网络并不适合图像处理，DCGAN的作者将卷积神经网络应用到GAN上，效果得到了明显的提升，后续提出的各种GAN变种一般也都是在DCGAN的基础上进行改进。
DCGAN基本采用卷积层替代了GAN中的全连接层，其中在生成器中采用带步长的卷积代替了上采样，从而提升了GAN训练时的稳定性和生成图像质量。DCGAN的网络结构如图7-9所示。
图7-9 DCGAN结构
在Keras框架中的DCGAN构建生成器和判别器的代码如下，其他部分的代码和CGAN代码基本相同。
def build_generator_model（self）：
#构建生成器网络的函数
noise=Input（shape=self.config.generator_input_dim, name="gener-ator_input"）
x=Dense（256∗7∗7，input_shape=self.config.generator_input_dim, name="dense1"）（noise）
x=BatchNormalization（momentum=self.config.BatchNormalization_Momentum, name="bn1"）（x）
x=Activation（＇relu'，name="relu1"）（x）
x=Reshape（（7，7，256），name="reshape"）（x）
x=Conv2DTranspose（128，kernel_size=3，strides=2，padding=＇same'，name="deconv1"）（x）
x=BatchNormalization（momentum=self.config.BatchNormalization_Momentum, name="bn2"）（x）
x=Activation（＇relu'，name="relu2"）（x）
x=Conv2DTranspose（64，kernel_size=3，strides=2，padding=＇same'，name="deconv2"）（x）
x=BatchNormalization（momentum=self.config.BatchNormalization_Momentum, name="bn3"）（x）
x=Activation（＇relu'，name="relu3"）（x）
x=Conv2DTranspose（32，kernel_size=3，padding=＇same'，name="deconv3"）（x）
x=BatchNormalization（momentum=self.config.BatchNormalization_Momentum, name="bn4"）（x）
x=Activation（＇relu'，name="relu4"）（x）
x=Conv2DTranspose（self.config.discriminator_input_dim[2]，kernel_size=3，padding=＇same'，name="deconv4"）（x）
x=Activation（＇tanh'，name="generator_output"）（x）
model=Model（noise, x）
model. summary（）
return model(www.xing528.com)
def build_discriminator_model（self）：
"""
#构造判别器模型的函数
#返回判别器模型discriminator_model
"""
image=Input（shape=self.config.discriminator_input_dim, name="discriminator_input"）
x=Conv2D（64，kernel_size=3，strides=2，padding=＇same'，name="conv1"）（image）
x=LeakyReLU（self.config.LeakyReLU_alpha, name="leakyrelu1"）（x）
x=Dropout（self.config.dropout_prob, name="dropout1"）（x）
x=Conv2D（128，kernel_size=3，strides=2，padding=＇same'，name="conv2"）（x）x=LeakyReLU（self.config.LeakyReLU_alpha, name="leakyrelu2"）（x）
x=Dropout（self.config.dropout_prob, name="dropout2"）（x）
x=Conv2D（256，kernel_size=3，strides=2，padding=＇same'，name="conv3"）（x）
x=LeakyReLU（self.config.LeakyReLU_alpha, name="leakyrelu3"）（x）
x=Dropout（self.config.dropout_prob, name="dropout3"）（x）
x=Conv2D（5 12，kernel_size=3，strides=2，padding=＇same'，name="conv4"）（x）
x=LeakyReLU（self.config.LeakyReLU_alpha, name="leakyrelu4"）（x）
x=Dropout（self.config.dropout_prob, name="dropout4"）（x）
x=Flatten（name="flatten1"）（x）
x=Dense（1，name="dense"）（x）
x=Activation（＇sigmoid'，name="discriminator_output"）（x）
model=Model（image, x）
model. summary（）
return model
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
