论文：https://arxiv.org/pdf/1511.06434.pdf
发表：ICLR 2016
一、架构创新
**1：全卷积网络：**用逐步卷积代替确定性的空间池化函数（如maxpooling），使网络学习自己的空间下采样。使用这种方法，允许它学习他自己的空间上采样和鉴别器。
**2：取消卷积特征之上的全连接层：**gap平均池化层提升了模型的稳定性，但降低了收敛速度。
3：批量标准化**：**BN有助于处理由于初始化较差而出现的训练问题，并帮助深层模型中的梯度流。这证明深层生成器开始学习非常重要。直接将批处理应用于所有层面，会导致样品振荡和模型不稳定。通过不将批处理应用于生成器输出层和鉴别器输入层来避免。
生成器中除了output层使用Tanh 激活，其他层使用ReLU激活。判别器中使用leaky ReLU激活。
二、训练干货
1：除了缩放至tanh激活函数[-1，1]的范围之外，没有对训练图像进行应用预处理。
2：使用小批量随机梯度下降法（SGD）进行训练，batch size为128。
3：权重初始化都是以零为中心的正态分布初始化的，标准偏差为0.02。
4：在LeakyReLU中，斜率设置为0.2。
5：使用Adam优化器。我们发现建议的学习率为0.001太高，用0.0002来代替。此外，我们发现将动量项留在0.9的建议值导致了训练振荡和不稳定性，同时将其降低到0.5，这有助于稳定训练。
三、操纵生成表示
- 去除图像中某些物体，论文中实现的方法如下：
- 选择152张生成的图片，对其中52张有窗户的图像，标记窗户的location。
- 在倒数第二层卷积features上，使用逻辑回归找出窗户的位置。来自窗户的位置区域的是positives，图上的其他区域是negatives。
- 将窗户区域中weights大于0的特征进行丢弃（手动设置为0）。
- 使用相同的输入特征，重新生成图片。
- 论文配图如下：
- 第一行为原始图片（有窗户）。
- 第二行为将窗户相关特征添加到dropout后的结果（没有窗户）。
- 总体结果：图像变模糊，但窗户在一定程度上也少了。
四、人脸上的尝试
经典示例：king国王特征 - man男性特征 + women女性特征 = queen女王特征
对单个样本进行实验，结果是不稳定的，但是对三个样本的Z向量进行平均，显示了在语义上服从算术是一致的和稳定的。此外，我们还证明了人脸姿态也是在Z空间中线性建模的。 （暗指人脸编辑是可行的，当然这个是16年，很早的文章了，很有启发性。后续已经有更好的方案了）
3个女性（微笑表情）的平均 - 3个女性（正常表情）的平均 + 3个男性（正常表情）的平均
= 可以生成微笑表情的男性
左边3列：
对于每一列，将样本的Z向量进行算术运算，得到新的向量Y。
右边3列：
中间样本是通过将 Y 作为输入提供给生成器而生成的。
其他两列是通过使用比例为 +-0.25 的均匀噪声采样对Y进行操作，产生得到。
五**、代码尝试**
1：阅读pytorch官方指南：https://pytorch.org/tutorials/beginner/dcgan_faces_tutorial.html
2：使用pytorch官方代码：https://github.com/pytorch/tutorials/blob/main/beginner_source/dcgan_faces_tutorial.py
迭代了50个epoch的效果，还是比较抽象吧，但可以很好学习code。
