1700540310
1700540311
图13.8 WGAN的训练
1700540312
1700540313
1700540314
1700540315
1700540316
百面机器学习：算法工程师带你去面试 [:1700532248]
1700540317
百面机器学习：算法工程师带你去面试 03 DCGAN：当GANs遇上卷积
1700540318
1700540319
1700540320
1700540321
场景描述
1700540322
1700540323
虽然GANs一开始用于图像生成，但是没有马上应用卷积神经网络。通常提到图像，人们会想到卷积神经网络，为什么GANs最初时没有用它呢？原来不是随便一个卷积神经网络就能玩转GANs，研究者最初的尝试不怎么成功。
1700540324
1700540325
图像相关的几大学习任务包括：图像分类、图像分割、物体检测与识别等。
1700540326
1700540327
图像分类任务是大多数卷积神经网络的主战场，从手写数字识别到ImageNet大规模图像识别比赛，从AlexNet、VGG、GoogLeNet到ResNet，遍布着各类卷积神经网络结构。输入一张图片，输出一个类别，一端是密密麻麻的像素点阵，一端是表示类别的一个词，从输入端到输出端丢失大量信息，比如识别狗的图片，模型关心的是狗，不是狗的大小、颜色和品种，如图13.9所示。信息的丢失使得卷积神经网络仅用来识别图片类别，难以输出一张高分辨率的图片。
1700540328
1700540329
1700540330
1700540331
1700540332
图13.9 图像分类
1700540333
1700540334
图像分割任务中，输入一张图片，输出与原图同尺寸的分割图，图片被切成不同区域，同区域的点用同一颜色表示。输入端还是一张图，输出端信息量相比分类任务是有所增加了。注意，传统卷积神经网络中每层的高宽越来越小，丢失大量与像素位置相关的信息，为了进行图像分割任务，研究者们提出了一些新的卷积神经网络结构，比如分数步进卷积层（Fractional-Strided Convolutions），也称反卷积层（Deconvolutions），它让每层的高宽不减反增，从而使得分割任务中最终的输出和原始输入图片尺寸相同，如图13.10所示。
1700540335
1700540336
1700540337
1700540338
1700540339
图13.10 图像分割
1700540340
1700540341
但是，图像生成不是图像分割（见图13.11）。图像分割的输出端虽然与原图同尺寸，但是像素级别的细节信息依然大量丢掉，难以生成高分辨率的图片。图像生成这点事，绝不是信手拈来一个卷积神经网络就能搞定。我们该怎么改进卷积神经网络呢？
1700540342
1700540343
1700540344
1700540345
1700540346
图13.11 图像生成
1700540347
1700540348
知识点
1700540349
1700540350
卷积神经网络，分数步进卷积层（反卷积层），批量归一化，ReLU/LReLU
1700540351
1700540352
问题 在生成器和判别器中应该怎样设计深层卷积结构？
1700540353
1700540354
难度：★★★☆☆
1700540355
1700540356
为了生成高分辨率的优质图片，我们准备在GANs框架内嵌入多层卷积网络。但是，一般的卷积结构达不到我们的期待。
1700540357
1700540358
分析与解答
1700540359