本文转载至知乎ID：Charles（白露未晞）知乎个人专栏
下载W3Cschool手机App，0基础随时随地学编程>>戳此了解
参考文献
用深层卷积生成对抗网络进行无监督表示学习;
GenerativeAdversarialNets。
甘论文汇总：
https://github.com/zhangqianhui/AdversarialNetsPapers
本教程提供的所有源码以及素材仅供学习交流使用，禁止商用/非法使用。
发现之前两篇关于GAN的文章效果都比较一般，想试着优化一下，训练个像样一些的模型，至少不能太丢GAN的脸，于是就有了这篇文章。
OK，让我们愉快地开始吧〜
百度网盘下载链接：💡 温馨提示：使用手机网盘APP转存，即可🎁 订阅更新本资源。后续更新都会直接推送至您的网盘，并收到APP订阅通知，无需再次寻找链接！
密码：84ky
蟒蛇中的版本：3.6.4
相关模块：
pytorch模块;
torchvision模块;
PIL模块;
以及一些Python中的中自带的模块。
PyTorch版本：
0.3.0
安装的Python的中并添加到环境变量，PIP安装需要的相关模块即可。
补充说明：
PyTorch0.3.0不支持直接的PIP安装（Windows）中中中。
有两个选择：
（1）安装anaconda3后在anaconda3的环境下安装（直接PIP安装即可）;
（2）使用编译好的WHL文件安装，下载链接为：
💡 温馨提示：使用手机网盘APP转存，即可🎁 订阅更新本资源。后续更新都会直接推送至您的网盘，并收到APP订阅通知，无需再次寻找链接！#list/path=%2Fpytorch
原理简介
关于生成对抗网络的核心思想，请参考之前的文章：
顺便补充一下甘训练目标的数学语言描述：
公式解释如下：
X：真实图片;
Z：输入ģ网络的噪声;
G（Z）：G ^网络生成的图片;
d（X）：真实图片是否真实的概率;
d（G（X））：G ^网络生成的图片是否真实的概率。
正如之前的文章所述，生成网络ģ的训练目标是尽可能生成真实的图片去欺骗判别网络d;而判别网络d的训练目标就是尽可能把生成网络ģ生成的图片和真实的图片区别开来，即训练过程是一个动态的“博弈过程”。
因此，公式中的ģ网络希望d（G（Z））尽可能得大; d网络希望d（x）的的的尽可能得大，d（G（X））尽可能得小故而公式的训练目标为：
更多关于甘的原理介绍和应用可参考“ 参考文献 ”部分的内容。
具体模型
与【的的的Python】利用GAN神奇生成宝贝一文中使用的网络结构不同，本文使用了全卷积网络结构（即不再加入全连接层FC）。同时本文增加了训练数据量，使用了大约5万张动漫头像作为训练数据。
具体而言，生成器结构为：
判别器结构为：
具体实现详见相关文件中的源代码。
一。训练数据集
使用了大约5万张动漫头像作为训练数据集，数据集源：
https://zhuanlan.zhihu.com/p/24767059。
二，模型训练
修改config.json文件中的训练数据集路径：
在CMD显示窗口显示运行显示train.py文件即可。
训练截图：
Epoch0：
Epoch5：
Epoch10：
Epoch15：
Epoch20：
Epoch25：
Epoch29：
更多
代码截止2018年7月4日测试无误。
相关文件中提供了训练好的模型以及调用模型的简单脚本，直接在cmd窗口运行“ test.py ”文件即可生成动漫头像：
