DCGAN及其TensorFlow源码

上一节我们提到G和D由多层感知机定义。深度学习中对图像处理应用最好的模型是CNN，那么如何把CNN与GAN结合？DCGAN是这方面最好的尝试之一。源码：https://github.com/Newmu/dcgan_code 。DCGAN论文作者用theano实现的，他还放上了其他人实现的版本，本文主要讨论tensorflow版本。 
TensorFlow版本的源码：https://github.com/carpedm20/DCGAN-tensorflow

DCGAN把上述的G和D换成了两个卷积神经网络（CNN）。但不是直接换就可以了，DCGAN对卷积神经网络的结构做了一些改变，以提高样本的质量和收敛的速度，这些改变有：

• 取消所有pooling层。G网络中使用转置卷积（transposed convolutional layer）进行上采样，D网络中用加入strided的卷积代替pooling。
• 在D和G中均使用batch normalization
• 去掉FC层，使网络变为全卷积网络
• G网络中使用ReLU作为激活函数，最后一层使用tanh
• D网络中使用LeakyReLU作为激活函数

这些改变在代码中都可以看到。DCGAN论文中提到对CNN结构有三点重要的改变：

1. Allconvolutional net (Springenberg et al., 2014) 全卷积网络 
   判别模型D：使用带步长的卷积（strided convolutions）取代了的空间池化（spatial pooling），容许网络学习自己的空间下采样（spatial downsampling）。 
   Ÿ 生成模型G：使用微步幅卷积（fractional strided），容许它学习自己的空间上采样（spatial upsampling）
2. 在卷积特征之上消除全连接层。 
   Ÿ (Mordvintsev et al.)提出的全局平均池化有助于模型的稳定性，但损害收敛速度。 
   GAN的第一层输入：服从均匀分布的噪声向量Z，因为只有矩阵乘法，因此可以被叫做全连接层，但结果会被reshape成4维张量，作为卷积栈的开始。 
   对于D，最后的卷积层被flatten（把矩阵变成向量），然后使用sigmoid函数处理输出。 
   生成模型：输出层用Tanh函数，其它层用ReLU激活函数。 
   判别模型：所有层使用LeakyReLU
3. Batch Normalization 批标准化。 
   解决因糟糕的初始化引起的训练问题，使得梯度能传播更深层次。稳定学习，通过归一化输入的单元，使它们平均值为0，具有单位方差。 
   批标准化证明了生成模型初始化的重要性，避免生成模型崩溃：生成的所有样本都在一个点上（样本相同），这是训练GANs经常遇到的失败现象。 
   generator:100维的均匀分布Z投影到小的空间范围卷积表示，产生许多特征图。一系列四步卷积将这个表示转换为64x64像素的图像。不用到完全连接或者池化层。

配置

Python 
TensorFlow 
SciPy 
pillow 
（可选）moviepy (https://github.com/Zulko/moviepy)：用于可视化 
（可选）Align&Cropped Images.zip (http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html)：人脸数据集

main.py

入口程序，事先定义所需参数的值。 
执行程序： 
训练一个模型： 
$ python main.py --dataset mnist --is_trainTrue 
$ python main.py --dataset celebA --is_trainTrue --is_crop True 
测试一个已存在模型： 
$ python main.py --dataset mnist 
$ python main.py --dataset celebA --is_crop True 
你也可以使用自己的dataset： 
$ mkdir data/DATASET_NAME 
添加图片到data/DATASET_NAME … 
$ python main.py --dataset DATASET_NAME--is_train True 
$ python main.py --dataset DATASET_NAME 
训练出多张以假乱真的图片

源码分析

flags配置network的参数，在命令行中可以修改，比如 
$python main.py --image_size 96 --output_size 48 --dataset anime --is_crop True--is_train True --epoch 300 
该套代码参数主要以mnist数据集为模板，如果要训练别的数据集，可以适当修改一些参数。mnist数据集可以通过download.py下载。 
首先初始化model.py中的DCGAN，然后看是否需要训练(is_train)。

FLAGS参数

epoch：训练回合，默认为25 
learning_rate：Adam的学习率，默认为0.0002 
beta1：Adam的动量项（Momentum term of Adam），默认为0.5 
train_size：训练图像的个数，默认为np.inf 
batch_size：批图像的个数，默认为64。后面生成的图片拼在一张图，因此batch_size最好取平方，比如64，36等 
input_height：所使用的图像的图像高度（将会被center cropped），默认为108 
input_width：所使用的图像的图像宽度（将会被center cropped），如果没有特别指定默认和input_height一样 
output_height：所产生的图像的图像高度（将会被center cropped），默认为64 
output_width：所产生的图像的图像宽度（将会被center cropped），如果没有特别指定默认和output_height一样 
dataset：所用数据集的名称，在文件夹data里面，可以选择celebA，mnist，lsun。也可以自己下载图片，把文件夹放到data文件夹里面。 
input_fname_pattern：输入的图片类型，默认为*.jpg 
checkpoint_dir：存放checkpoint的目录名，默认为checkpoint 
sample_dir：存放生成图片的目录名，默认为samples 
train：训练为True，测试为False，默认为False 
crop：训练为True，测试为False，默认为False 
visualize：可视化为True，不可视化为False，默认为False

model.py

初始化参数

model.py定义了DCGAN类，包括9个函数

__init__()

参数初始化，已讲过的input_height, input_width, crop, batch_size, output_height, output_width, dataset_name, input_fname_pattern, checkpoint_dir, sample_dir就不再说了 
sample_num：大小和batch_size一样 
y_dim：输出通道。训练mnist数据集时，y_dim=10，我想可能是因为mnist是图片数字，分为10类。如果不是mnist，则默认为none。 
z_dim：噪声z的维度，默认为100 
gf_dim：G第一个卷积层的过滤器个数，默认为64 
df_dim：D第一个卷积层的过滤器个数，默认为64 
gfc_dim：G第一个全连接层的G单元个数，默认为1024 
dfc_dim：D第一个全连接层的D单元个数，默认为1024 
c_dim：颜色通道，灰度图像设为1，彩色图像设为3，默认为3 
其中self.d_bn1, self.d_bn2, g_bn0, g_bn1, g_bn2是batch标准化，见ops.py的batch_norm(object)。 
如果是mnist数据集，d_bn3, g_bn3都要batch_norm。 
self.data读取数据集。 
然后建立模型(build_model)

build_model()

inputs的形状为[batch_size, input_height, input_width, c_dim]。 
如果crop=True，inputs的形状为[batch_size, output_height, output_width, c_dim]。 
输入分为样本输入inputs和抽样输入sample_inputs。 
噪声z的形状为[None, z_dim]，第一个None是batch的大小。 
然后取数据： 
self.G = self.generator(self.z)#返回[batch_size, output_height, output_width, c_dim]形状的张量,也就是batch_size张图 
self.D, self.D_logits = self.discriminator(inputs)#返回的D为是否是真样本的sigmoid概率，D_logits是未经sigmoid处理 
self.sampler = self.sampler(self.z)#相当于测试，经过G网络模型，取样，代码和G很像，没有G训练的过程。 
self.D_, self.D_logits_ = self.discriminator(self.G, reuse=True) 
#D是真实数据，D_是假数据 
用交叉熵计算损失，共有：d_loss_real、d_loss_fake、g_loss 
self.d_loss_real = tf.reduce_mean( 
sigmoid_cross_entropy_with_logits(self.D_logits, tf.ones_like(self.D))) 
self.d_loss_fake = tf.reduce_mean( 
sigmoid_cross_entropy_with_logits(self.D_logits_, tf.zeros_like(self.D_))) 
self.g_loss = tf.reduce_mean( 
sigmoid_cross_entropy_with_logits(self.D_logits_, tf.ones_like(self.D_))) 
tf.ones_like：新建一个与给定tensor大小一致的tensor，其全部元素为1 
d_loss_real是真样本输入的损失，要让D_logits接近于1，也就是D识别出真样本为真的 
d_loss_fake是假样本输入的损失，要让D_logits_接近于0，D识别出假样本为假 
d_loss = d_loss_real + d_loss_fake是D的目标，要最小化这个损失 
g_loss：要让D识别假样本为真样本，G的目标是降低这个损失，D是提高这个损失

summary这几步是关于可视化，就不管了

train()

通过Adam优化器最小化d_loss和g_loss。 
sample_z为从-1到1均匀分布的数，大小为[sample_num, z_dim] 
从路径中读取原始样本sample，大小为[sample_num, output_height, output_width, c_dim] 
接下来进行epoch个训练： 
将data总数分为batch_idxs次训练，每次训练batch_size个样本。产生的样本为batch_images。 
batch_z为训练的噪声，大小为[batch_num, z_dim] 
d_optim = tf.train.AdamOptimizer(config.learning_rate, beta1=config.beta1) \ 
.minimize(self.d_loss, var_list=self.d_vars) 
g_optim = tf.train.AdamOptimizer(config.learning_rate, beta1=config.beta1) \ 
.minimize(self.g_loss, var_list=self.g_vars) 
首先输入噪声z和batch_images，通过优化d_optim更新D网络。 
然后输入噪声z，优化g_optim来更新G网络。G网络更新两次，以免d_loss为0。这点不同于paper。 
这样的训练，每过100个可以生成图片看看效果。 
if np.mod(counter, 100) == 1

discriminator()

代码自定义了一个conv2d，对tf.nn.conv2d稍加修改了。下面贴出tf.nn.conv2d解释如下： 
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None) 
除去name参数用以指定该操作的name，与方法有关的一共五个参数： 
第一个参数input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一 
第二个参数filter：相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同，有一个地方需要注意，第三维in_channels，就是参数input的第四维 
第三个参数strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4 
第四个参数padding：string类型的量，只能是”SAME”,”VALID”其中之一，这个值决定了不同的卷积方式（后面会介绍） 
第五个参数：use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true 
结果返回一个Tensor，这个输出，就是我们常说的feature map 
batch_norm(object) 
tf.contrib.layers.batch_norm的代码见https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/layers/python/layers/layers.py 
batchnormalization来自于http://arxiv.org/abs/1502.03167 
加快训练。 
 
激活函数lrelu见ops.py。四次卷积（其中三次卷积之前先批标准化）和激活之后。然后线性化，返回sigmoid函数处理后的结果。h3到h4的全连接相当于线性化，用一个矩阵将h3和h4连接起来，使h4是一个batch_size维的向量。

generator()

self.h0 = tf.reshape(self.z_, [-1, s_h16, s_w16, self.gf_dim * 8])改变z_的形状。-1代表的含义是不用我们自己指定这一维的大小，函数会自动计算，但列表中只能存在一个-1。（当然如果存在多个-1，就是一个存在多解的方程了） 
deconv2d() 
引用tf的反卷积函数tf.nn.conv2d_transpose或tf.nn.deconv2d。以tf.nn.conv2d_transpose为例。 
defconv2d_transpose(value, filter, output_shape, strides,padding=”SAME”, data_format=”NHWC”, name=None):

• value: 是一个4维的tensor，格式为[batch, height, width, in_channels] 或者 [batch, in_channels,height, width]。
• filter: 是一个4维的tensor，格式为[height, width, output_channels, in_channels]，过滤器的in_ channels的维度要和这个匹配。
• output_shape: 一维tensor，表示反卷积操作的输出shapeA
• strides: 针对每个输入的tensor维度，滑动窗口的步长。
• padding: “VALID”或者”SAME”，padding算法
• data_format: “NHWC”或者”NCHW” ，对应value的数据格式。
• name: 可选，返回的tensor名。

deconv= tf.nn.conv2d_transpose(input_, w, output_shape=output_shape,strides=[1,d_h, d_w, 1]) 
第一个参数是输入，即上一层的结果， 
第二个参数是输出输出的特征图维数，是个4维的参数， 
第三个参数卷积核的移动步长，[1, d_h, d_w, 1]，其中第一个对应一次跳过batch中的多少图片，第二个d_h对应一次跳过图片中多少行，第三个d_w对应一次跳过图片中多少列，第四个对应一次跳过图像的多少个通道。这里直接设置为[1，2，2，1]。即每次反卷积后，图像的滑动步长为2，特征图会扩大缩小为原来2*2=4倍。 

sampler()

和generator结构一样，用的也是它的参数。存在的意义可能在于共享参数？ 
将self.sampler = self.sampler(self.z, self.y)改为self.sampler = self.generator(self.z, self.y) 
报错： 
 
所以sampler的存在还是有意义的。

load_mnist(), save(), load() 
这三个加载保存等就不仔细讲了。

download.py和ops.py好像也没什么好讲的。 
utils.py包含可视化等函数

参考： 
Springenberg, Jost Tobias, Dosovitskiy, Alexey, Brox, Thomas, and Riedmiller, Martin. Striving for simplicity: The all convolutional net. arXiv preprint arXiv:1412.6806, 2014. 
Mordvintsev, Alexander, Olah, Christopher, and Tyka, Mike. Inceptionism : Going deeper into neural networks.http://googleresearch.blogspot.com/2015/06/inceptionism-going-deeper-into-neural.html. Accessed: 2015-06-17. 
Radford A, Metz L, Chintala S. UnsupervisedRepresentation Learning with Deep Convolutional Generative AdversarialNetworks[J]. Computer Science, 2015. 
http://blog.csdn.net/nongfu_spring/article/details/54342861 
http://blog.csdn.net/solomon1558/article/details/52573596