我正在尝试使用训练 DCGAN 来为一些图像着色。这样做时，我将我的 GAN 设置在图像的灰度版本上。然后我想先用一批真实图像训练我的 GAN/判别器，然后再用一批假图像训练。每隔一段时间，我想比较图像的彩色、灰度和地面实况版本。因此，我需要以相同的方式拆分成批的真实/灰色图像。我使用pytorch。查看我包含的代码，这些应该提供相同的批次。然而，他们没有。

我试过没有worker_init_fn。我也尝试了不同的随机函数调用并将它们传递给 worker_init_fn 无济于事。

批量标准化更新

• 我正在使用Tensorflow中的批量标准化研究（生成对抗网络）。
• 如何在 Tensorflow 中更新批量归一化参数（移动均值、移动方差）。
• 在鉴别器和生成器上使用 batch_normalization 后如何更新图形？
• 或者，它是否通过在鉴别器和生成器中使用 batch_normalization 函数自动更新？

完整源代码链接

• https://github.com/HeewonChung92/GAN_BatchNormalization
• 数据.mat
• test_batchnorm_github.py

开发环境

• 皮查姆
• 操作系统平台和分发：Windows 10 x64
• TensorFlow 安装自：Anaconda
• TensorFlow 1.12.0 版：
• 蟒蛇3.6.7：
• 移动设备：不适用
• 重现的确切命令：N/A
• GPU型号和内存：NVIDIA GeForce CTX 1080 Ti
• CUDA/cuDNN：9.0/7.4

鉴别器

发电机

图形

批量标准化更新

我正在我自己的数据集上实现通用对抗网络模型，但在计算真实数据的鉴别器损失时遇到错误，如何解决该错误？是由于彩色图像造成的形状不匹配吗？

下面是判别器函数：

下面是生成器函数：

下面是训练函数：

我使用版本为 2.2.4 的 keras 在 CelebA 数据集上训练 DCGAN。我对 keras 功能 API 实现感到困惑，例如预测DCGAN 架构中的 BN 层。

在训练过程中，我需要使用generator.predict(noise)来获取一些用于判别器训练的假图像。并且我需要在训练过程中抽取样本来显示网络是否也在使用generator.predict(noise)进行改进。我知道在鉴别器训练期间，生成器生成的假图像应该在训练模式下通过生成器中的 BN 层，而从生成器中抽取样本时，应该在测试模式下完成。因为我在这两种情况下都使用预测方法,我想知道如何确保在该方法中正确使用训练和测试模式。任何人都可以告诉我我是否完成了训练，当我使用时BN层处于哪种模式预测方法。谢谢。

代码在一次迭代中是这样的：

想知道我对 DCGAN 中 BN 层的理解是否正确，以及keras 中的predict方法如何处理 BN 或 dropout 中的训练或测试模式。最后如果可能的话，如何在使用 keras 时手动控制 DCGAN 训练中的模式（set_learning_phase？）。

我正在努力将 tensorflow 2.0 dcGAN 教程 ( https://www.tensorflow.org/beta/tutorials/generation/dcgan ) 中的代码改编为音频信号的频谱图。我正在使用 libroasa chroma_cqt 将原始音频数据转换为 WxHx2 矩阵，并将其用作输入。当我尝试通过放大随机噪声来创建种子矩阵时，我得到的结果是随机噪声和 0 的时空交替带和顶部的细黑条（见图）。

我已经修改了原始教程代码以处理各种尺寸的图像，并为种子图像和最终输出提供了良好的结果，但是相同的原则并没有引导我使用 3 维数据。如何确保我正在制作具有适当覆盖率的种子，而不是在实际训练模型时继续问题？

我正在输出音频噪声的视觉表示，它应该看起来像一个完全模糊的图像。相反，我得到了交替的噪音和大的黑色垂直条和顶部的细黑条。

问题最终是我需要遵循哪些规则来匹配生成器种子、内核大小和步幅？有人可以提供一个示例，说明如何以编程方式确保给定层数的步幅和内核大小不匹配？

我实际上正在使用 DCGAN（Py-Torch 实现），输出始终是每个 epoch 的 64 大小的人工图像网格。我想增加这样的数字，但不知道（我不知道要更改哪个参数，但我尝试检查代码没有成功）。有谁知道如何做到这一点？

DCGAN 的整个 Py-Torch 实现可以在以下链接中找到： https ://pytorch.org/tutorials/beginner/dcgan_faces_tutorial.html

我想开发一个分辨率为 256x256 的 DCGAN。为此，我需要使用多个 GPU，因为只有一个是不够的，而且可能会花费太多时间。

我按照此链接 https://www.tensorflow.org/beta/guide/distribute_strategy的文档中说明的程序进行操作

在我使用的脚本的顶部

strategy = tf.distribute.MirroredStrategy()

然后在我使用的生成器、鉴别器和损失函数中

with strategy.scope():

我得到的错误是：

RuntimeError: Replica-local variables may only be assigned in a replica context.

错误如下

下面是我的生成器结构。如您所见，如果我删除批量标准化，GAN 的效果非常好。但是如果我在注释的地方添加批量标准化，它只会显示噪音。

我不知道为什么。我已经尝试将 BN 添加到仅生成器或仅将鉴别器添加到两者中。即使我只在任何地方添加一个 BN 层，它也永远不会起作用。

我正在尝试修复 git https://github.com/rickiepark/deep-learning-with-python-notebooks/blob/master/8.5-introduction-to-gans.ipynb的源代码

我知道用韩语解释说你们不容易理解，但它是 keras 教科书的非常简单的来源。

我正在使用 DCGAN，其中我的鉴别器将输入大小为 128 x 128 的真实图像，而生成器网络的输入是 64x64 图像（较低分辨率）而不是多项高斯分布。当我尝试运行训练循环时，我遇到了维度错误，我相信我的鉴别器和生成器维度架构可能是错误的。但是，我无法掌握错误所在。ngf = 64, ndf = 128, nz = 745 下面是生成器和判别器的代码：

我一直在尝试实施Facebook 的论文DCGan，并被以下两个问题阻止了将近 2 周。任何建议，将不胜感激。谢谢。

问题一：

DCGAN 论文建议在生成器和判别器中都使用 BN（Batch Normalization）。但是，使用 BN 而不是没有 BN，我无法获得更好的结果。

我复制了我使用的 DCGAN 模型，它与 DCGAN 论文完全相同。我不认为这是由于过度拟合。因为（1）它一直显示与初始噪声图片相同的噪声，并且似乎从未接受过训练。(2) Loss 值非常稳定，gan 和 discriminator 都没有真正改变。（它保持在 0.6 ~ 0.7 左右，并且从来没有像两个模型都崩溃时那样感到沮丧或颠簸。）如果我只检查损失函数，似乎它得到了很好的训练。

问题 2：

当我使用 float16 时，它总是给我 Nan 和下面的模型。我已将 epsilon 更改为 1e-4 1e-3 ，但都失败了。还有一个问题。如果我不使用 BatchNormalization，它可以是 Nan。足够有道理，我能明白。但是，如果我使用 BatchNormalization，它会在每一层中标准化。即使结果变成非常大的数字或非常小的数字，它也会在每一层中进行批量标准化，结果将几乎居中并且不应该发生淡出。不是吗？这实际上是我的想法，但我不知道我在想什么。请有人帮助我。

===== 生成器 =====

输入＃（无，128）<=潜在

Dense # (None, 16384)
BatchNormalization
LeakyReLU

重塑 #（无、4、4、1024）

Conv2DTranspose # (无, 4, 4, 512)

BatchNormalization
LeakyReLU

Conv2DTranspose # (无, 8, 8, 256)

BatchNormalization
LeakyReLU

Conv2DTranspose # (无, 16, 16, 128)

BatchNormalization
LeakyReLU

Conv2DTranspose #（无、32、32、64）

BatchNormalization
LeakyReLU

Conv2DTranspose # (无, 64, 64, 32)

BatchNormalization
LeakyReLU

Conv2DTranspose # (无, 128, 128, 16)

BatchNormalization
LeakyReLU

Conv2D #（无、128、128、3）

===== 鉴别器 =====

Conv2D # (None, 128, 128, 3) LeakyReLU

Conv2D # (None, 64, 64, 16) BatchNormalization
Dropout
LeakyReLU

Conv2D # (None, 32, 32, 32)
BatchNormalization
Dropout
LeakyReLU

Conv2D # (None, 16, 16, 64)
BatchNormalization
Dropout
LeakyReLU

Conv2D # (None, 8, 8, 128)
BatchNormalization
Dropout
LeakyReLU

Conv2D # (None, 4, 4, 256)
BatchNormalization
Dropout
LeakyReLU

Conv2D # (None, 2, 2, 512)
BatchNormalization
Dropout
LeakyReLU

压平
Dropout
Dense

我尝试过的最后一个超参数如下，我没有忘记将高斯噪声添加到训练图片中。