deep-learning - DCGAN 上的鉴别器是如何工作的？

Question

我正在研究 DCGAN，我想知道一些关于它的事情。

在 Ian Goodfellow 的自然 GAN 中，判别器模型输出一个标量值，即概率。但 DCGAN 的判别器采用 CNN 架构设计。我知道 CNN 的输出是类概率向量。

那么鉴别器是如何在 DCGAN 上工作的呢？DCGAN 的判别器的输出是什么？

Answer 1

有关详细答案，请参阅TensorFlow 中的深度学习图像补全。

简而言之：假设你制作了一个 CNN，它有 n 个输入和有效填充大小的过滤器。然后输出的形状将是 nx 1 x 1。然后您可以将 softmax 应用于该形状，并且您将获得通道中的概率。

您可能还想阅读2.2.1。我硕士论文的卷积层。

Answer 2

判别器D采用 3x64x64（例如）输入图像，通过一系列 Conv2d、BatchNorm2d 和 LeakyReLU 层对其进行处理，并通过 Sigmoid 激活函数输出最终概率。

让我们看一个示例代码来了解它的输入和输出。

class Discriminator(nn.Module):
def __init__(self, ngpu):
    super(Discriminator, self).__init__()
    self.ngpu = ngpu
    self.main = nn.Sequential(

        nn.Conv2d(nc, ndf, 4, 2, 1, bias=False),
        nn.LeakyReLU(0.2, inplace=True),

        nn.Conv2d(ndf, ndf*2, 4, 2, 1, bias=False),
        nn.BatchNorm2d(ndf*2),
        nn.LeakyReLU(0.2, inplace=True),

        nn.Conv2d(ndf*2, ndf*4, 4, 2, 1, bias=False),
        nn.BatchNorm2d(ndf*4),
        nn.LeakyReLU(0.2, inplace=True),

        nn.Conv2d(ndf*4, ndf*8, 4, 2, 1, bias=False ),
        nn.BatchNorm2d(ndf*8),
        nn.LeakyReLU(0.2, inplace=True),

        nn.Conv2d(ndf*8, 1, 4, 1, 0, bias=False),
        nn.Sigmoid()

    )

def forward(self, input):
    return self.main(input)

欲了解更多详情，请访问此处