深度学习机器学习【免费下载链接】chainerA flexible framework of neural networks for deep learning项目地址https://gitcode.com/gh_mirrors/ch/chainer点击查看免费下载本教程基于 Chainer 官方仓库中的 DCGAN 示例examples/dcgan 目录与配套教程文档docs/source/examples/dcgan.rst系统讲解生成对抗网络GAN的核心原理、DCGAN 的架构设计要点以及如何在 Chainer 中从零搭建生成器、判别器、自定义训练器并完成端到端的图像生成训练。读完本文你将掌握 GAN 的数学机理、DCGAN 的四种关键训练技巧以及 Chainer 中Chain、Deconvolution2D、StandardUpdater、Trainer等组件的实战用法能够独立复现并调优一个可运行的 DCGAN 图像生成任务。1. 引言GAN 能做什么生成对抗网络Generative Adversarial NetworksGAN是一类用于**生成式建模generative modeling**的深度神经网络最常见的应用场景是图像生成。GAN 系模型已经进入实际产品——例如本教程文档提到的自动上色服务 PaintsChainer 就使用了 GAN 相关技术。通过本教程你将掌握两件事生成对抗网络GAN的核心原理与数学形式在 Chainer 框架中实现 DCGANDeep Convolutional GAN的完整步骤。示例代码位于仓库的 examples/dcgan 目录包含四个核心文件文件职责net.py定义Generator、Discriminator网络与add_noise辅助函数updater.py定义交替训练判别器与生成器的DCGANUpdatertrain_dcgan.py入口脚本参数解析、数据加载、优化器/训练器装配与训练循环visualize.py定义训练过程中周期性输出生成图像的out_generated_image扩展2. 生成对抗网络GAN原理2.1 什么是 GAN按照 NIPS 2016 的 GAN 教程Goodfellow 等人生成模型大体可分为三类全可见置信网络Fully Visible Belief NetworksFVBNs变分自编码器Variational AutoencoderVAE生成对抗网络GAN。与 FVBNs、VAE 不同GAN不显式建模训练数据的概率分布$p(\mathbf{s})$而是直接建模一个生成器 $G: \mathbf{z} \mapsto \mathbf{s}$。生成器 $G$ 从隐变量 $\mathbf{z}$ 出发采样得到 $\mathbf{s} \sim p(\mathbf{s})$。除了生成器 $G$ 之外GAN 还构造一个判别器 $D(\mathbf{x})$用来区分「来自生成器 $G$ 的样本」与「来自训练数据的真实样本」。训练过程中判别器 $D$ 负责分辨真假生成器 $G$ 则尽力提高判别器 $D$ 犯错的概率从而让生成样本看起来与训练数据服从同一分布。GAN 的优点在于采样成本低且在图像生成任务上表现突出缺点是无法计算似然$p_{\mathrm{model}}(\mathbf{s})$因为没有建模任何概率分布也无法从样本反推隐变量 $\mathbf{z}$。2.2 GAN 是如何工作的GAN 依赖两个模型——生成器与判别器。训练的核心目标是让数据分布 $p(\mathbf{s})$ 与生成器产出的分布$\mathbf{s} G(\mathbf{z})$逐步对齐。理想情况下双方博弈最终会收敛到博弈论意义上的纳什均衡Nash equilibrium。一个经典而直观的类比是「假币制造者与警察」造假者努力制造足以乱真的假钞警察努力鉴别真伪随着警察鉴别能力提升造假者被迫造出更逼真的假钞双方能力在对抗中同步提升最终造假者能造出与真钞几乎无法区分的假币。这正是生成器与判别器关系的生动写照。数学形式。判别器 $D(\mathbf{s})$ 表示样本 $\mathbf{s}$ 来自数据分布的概率可写成$$D(\mathbf{s}) \frac{p(\mathbf{s})}{p(\mathbf{s}) p_{\mathrm{model}}(\mathbf{s})}$$要让生成分布匹配数据分布等价于最小化两个分布之间的差异通常用Jensen-Shannon 散度$D_{\mathrm{JS}}$ 度量。以 $D(\mathbf{s})$ 表达$$2 D_{\mathrm{JS}} D_{\mathrm{KL}}(p(\mathbf{s}),|,\bar{p}(\mathbf{s})) D_{\mathrm{KL}}(p_{\mathrm{model}}(\mathbf{s}),|,\bar{p}(\mathbf{s}))$$$$ \mathbb{E}{p(\mathbf{s})} \log D(\mathbf{s}) \mathbb{E}{p_{\mathbf{z}}} \log (1 - D(G(\mathbf{z}))) \log 4$$其中 $\bar{p}(\mathbf{s}) \frac{p(\mathbf{s}) p_{\mathrm{model}}(\mathbf{s})}{2}$。$D_{\mathrm{JS}}$ 由判别器 $D$ 最大化、由生成器 $G$即 $p_{\mathrm{model}}$最小化从而让 $G$ 生成的分布 $p_{\mathrm{model}}(\mathbf{s})$ 逼近数据分布 $p(\mathbf{s})$。整个训练可以归结为如下的min-max 目标函数$$\min_{G} \max_{D} ; \mathbb{E}{p(\mathbf{s})} \log D(\mathbf{s}) \mathbb{E}{p_{\mathbf{z}}} \log (1 - D(G(\mathbf{z})))$$实际训练时上述 min-max 问题通过交替更新判别器 $D(\mathbf{s})$ 与生成器 $G(\mathbf{z})$求解先固定生成器、更新判别器若干步再固定判别器、更新生成器循环往复直至两者达到平衡。2.3 什么是 DCGANDCGANDeep Convolutional GAN深度卷积生成对抗网络由 Radford 等人提出名字已经说明其要点——使用 CNN卷积神经网络作为生成器与判别器的主体结构其典型架构如下GAN 以训练困难著称而 DCGAN 论文针对这一点提出了四项至关重要的训练技巧将max-pooling 层替换为更大步幅strided的卷积层判别器用 stride 卷积下采样生成器用分数步幅/反卷积上采样判别器中用全局平均池化global average pooling替代全连接层降低参数量、增强稳定性生成器与判别器中都使用批归一化batch normalization层判别器使用leaky ReLU激活函数避免梯度消失。这些技巧正是 Chainer 示例 net.py 中网络设计的直接依据下文将逐条对照源码说明。3. 在 Chainer 中实现 DCGAN3.1 定义生成器模型首先定义生成器网络。完整的Generator类代码如下与 examples/dcgan/net.py 一致class Generator(chainer.Chain): def __init__(self, n_hidden, bottom_width4, ch512, wscale0.02): super(Generator, self).__init__() self.n_hidden n_hidden self.ch ch self.bottom_width bottom_width with self.init_scope(): w chainer.initializers.Normal(wscale) self.l0 L.Linear(self.n_hidden, bottom_width * bottom_width * ch, initialWw) self.dc1 L.Deconvolution2D(ch, ch // 2, 4, 2, 1, initialWw) self.dc2 L.Deconvolution2D(ch // 2, ch // 4, 4, 2, 1, initialWw) self.dc3 L.Deconvolution2D(ch // 4, ch // 8, 4, 2, 1, initialWw) self.dc4 L.Deconvolution2D(ch // 8, 3, 3, 1, 1, initialWw) self.bn0 L.BatchNormalization(bottom_width * bottom_width * ch) self.bn1 L.BatchNormalization(ch // 2) self.bn2 L.BatchNormalization(ch // 4) self.bn3 L.BatchNormalization(ch // 8) def make_hidden(self, batchsize): dtype chainer.get_dtype() return numpy.random.uniform(-1, 1, (batchsize, self.n_hidden, 1, 1))\ .astype(dtype) def forward(self, z): h F.reshape(F.relu(self.bn0(self.l0(z))), (len(z), self.ch, self.bottom_width, self.bottom_width)) h F.relu(self.bn1(self.dc1(h))) h F.relu(self.bn2(self.dc2(h))) h F.relu(self.bn3(self.dc3(h))) x F.sigmoid(self.dc4(h)) return x在 Chainer 中构建网络有三条约定示例代码完整遵循了它们网络类必须继承chainer.Chain在__init__初始化器的init_scope():中创建chainer.links的实例即注册可学习参数在__call__运算符本示例命名为forward中用chainer.links实例与chainer.functions定义网络的前向连接。从__init__可见Generator使用反卷积层L.Deconvolution2D与批归一化层L.BatchNormalization在forward中每一层之后都接F.relu激活只有最后一层dc4例外输出经过F.sigmoid映射到 $[0,1]$ 区间以匹配像素归一化后的取值范围。通道数变化规律。L.Deconvolution2D的第一个参数是输入通道数、第二个参数是输出通道数。以默认ch512为例dc1从 512 → 256dc2从 256 → 128dc3从 128 → 64dc4从 64 → 3RGB 三通道每一层通道数近似减半。若以教程文档中的ch1024构造Generator网络形态则与 Radford 论文的原始架构图完全一致。各反卷积层均使用kernel4, stride2, pad1除最后一层为kernel3, stride1, pad1这正对应 DCGAN 技巧中「用分数步幅卷积上采样」的做法。注意将全连接层输出传入卷积层时必须保证输入具备「通道 × 高 × 宽」的额外维度。看forward的第一行全连接层l0的输出经过F.reshape被重塑为(len(z), ch, bottom_width, bottom_width)即添加了通道、宽、高三维这正是 DCGAN 论文中把全连接层映射为 $4\times4\times ch$ 特征图的关键一步。make_hidden则负责从 $[-1, 1]$ 均匀分布中采样隐变量 $\mathbf{z}$形状为(batchsize, n_hidden, 1, 1)。3.2 定义判别器模型判别器网络是生成器的「镜像」代码同样位于 examples/dcgan/net.pyclass Discriminator(chainer.Chain): def __init__(self, bottom_width4, ch512, wscale0.02): w chainer.initializers.Normal(wscale) super(Discriminator, self).__init__() with self.init_scope(): self.c0_0 L.Convolution2D(3, ch // 8, 3, 1, 1, initialWw) self.c0_1 L.Convolution2D(ch // 8, ch // 4, 4, 2, 1, initialWw) self.c1_0 L.Convolution2D(ch // 4, ch // 4, 3, 1, 1, initialWw) self.c1_1 L.Convolution2D(ch // 4, ch // 2, 4, 2, 1, initialWw) self.c2_0 L.Convolution2D(ch // 2, ch // 2, 3, 1, 1, initialWw) self.c2_1 L.Convolution2D(ch // 2, ch // 1, 4, 2, 1, initialWw) self.c3_0 L.Convolution2D(ch // 1, ch // 1, 3, 1, 1, initialWw) self.l4 L.Linear(bottom_width * bottom_width * ch, 1, initialWw) self.bn0_1 L.BatchNormalization(ch // 4, use_gammaFalse) self.bn1_0 L.BatchNormalization(ch // 4, use_gammaFalse) self.bn1_1 L.BatchNormalization(ch // 2, use_gammaFalse) self.bn2_0 L.BatchNormalization(ch // 2, use_gammaFalse) self.bn2_1 L.BatchNormalization(ch // 1, use_gammaFalse) self.bn3_0 L.BatchNormalization(ch // 1, use_gammaFalse)虽然Discriminator大体上是Generator的镜像结构但有三个关键差异激活函数改用F.leaky_relu对应 DCGAN 技巧 4网络更深——在 32×32 输入上先用3×3, stride1卷积细化特征再用4×4, stride2卷积做下采样对应 DCGAN 技巧 1 中「用 stride 卷积替代池化」;对每层中间输出都叠加随机噪声见下方add_noise提升训练的稳定性。噪声注入函数同样定义在 examples/dcgan/net.py 中def add_noise(device, h, sigma0.2): if chainer.config.train: xp device.xp if device.xp is chainerx: fallback_device device.fallback_device with chainer.using_device(fallback_device): randn device.send(fallback_device.xp.random.randn(*h.shape)) else: randn xp.random.randn(*h.shape) return h sigma * randn else: return hadd_noise只在chainer.config.train为真即训练阶段时向特征图添加标准差为sigma0.2的高斯噪声推理阶段则原样返回。判别器的forward将每个卷积/批归一化输出先加噪、再过leaky_relu最终由全连接层l4输出一个标量 logit。注意这里的BatchNormalization使用了use_gammaFalse即不学习缩放参数 $\gamma$这是判别器的一个常见简化。3.3 准备数据集与迭代器示例默认使用CIFAR-10数据集通过 Chainer 的数据集工具函数chainer.datasets.get_cifar10获取实现见 chainer/datasets/cifar.py。CIFAR-10 是 32×32 的小尺寸自然图像集合每个样本是一张 RGB 彩色图像原始图像中每个像素的 R、G、B 分量用单字节无符号整数表示0255。get_cifar10支持通过scale参数把像素值缩放到[0, scale]的浮点区间。训练脚本中的数据加载代码examples/dcgan/train_dcgan.pyif args.dataset : # Load the CIFAR10 dataset if args.dataset is not specified train, _ chainer.datasets.get_cifar10(withlabelFalse, scale255.) else: all_files os.listdir(args.dataset) image_files [f for f in all_files if (png in f or jpg in f)] print({} contains {} image files .format(args.dataset, len(image_files))) train chainer.datasets\ .ImageDataset(pathsimage_files, rootargs.dataset)默认加载 CIFAR-10 训练集withlabelFalse表示只取图像不要标签scale255.把像素缩放到 $[0,255]$后续在 updater 中会再除以 255 归一到 $[0,1]$见 3.5 节也可以通过--dataset参数传入一个包含 png/jpg 图片的目录改用chainer.datasets.ImageDataset训练自定义数据。需要留意的是示例网络假定输入分辨率是32×32若使用其他分辨率必须相应修改 net.py 中的网络结构这一点在 examples/dcgan/README.md 中有明确说明。接下来设置迭代器examples/dcgan/train_dcgan.py# Setup an iterator train_iter chainer.iterators.SerialIterator(train, args.batchsize)这里使用SerialIterator单进程顺序迭代每个 minibatch 包含args.batchsize默认 50张图像。若需加速数据读取可替换为MultiprocessIterator或MultithreadIterator见 chainer/iterators 目录。3.4 准备模型与优化器实例化生成器与判别器并将模型搬运到指定设备examples/dcgan/train_dcgan.py# Set up a neural network to train gen Generator(n_hiddenargs.n_hidden) dis Discriminator() gen.to_device(device) # Copy the model to the device dis.to_device(device)随后为两个模型分别创建优化器examples/dcgan/train_dcgan.py# Setup an optimizer def make_optimizer(model, alpha0.0002, beta10.5): optimizer chainer.optimizers.Adam(alphaalpha, beta1beta1) optimizer.setup(model) optimizer.add_hook( chainer.optimizer_hooks.WeightDecay(0.0001), hook_dec) return optimizer opt_gen make_optimizer(gen) opt_dis make_optimizer(dis)要点两个模型都使用Adam 优化器实现见 chainer/optimizers/adam.py学习率alpha0.0002、一阶矩衰减beta10.5。beta10.5是 DCGAN 论文针对生成器训练给出的经验值——相比默认的 0.9 更小的动量有助于稳定对抗训练Adam还支持beta2、eps、amsgrad等超参数可按需调整通过optimizer.add_hook为每个模型挂载了WeightDecay权重衰减hook见 chainer/optimizer_hooks/weight_decay.py衰减系数 0.0001参数初始化使用标准差wscale0.02的正态分布chainer.initializers.Normal(0.02)这也是 DCGAN 论文推荐的初始化方式。3.5 自定义 Updater交替训练的关键GAN 需要两个模型而 Chainer 预置的默认 updater 通常只接收一个模型因此必须为 GAN 训练自定义 updater。DCGANUpdater的定义位于 examples/dcgan/updater.pyclass DCGANUpdater(chainer.training.updaters.StandardUpdater): def __init__(self, *args, **kwargs): self.gen, self.dis kwargs.pop(models) super(DCGANUpdater, self).__init__(*args, **kwargs) def loss_dis(self, dis, y_fake, y_real): batchsize len(y_fake) L1 F.sum(F.softplus(-y_real)) / batchsize L2 F.sum(F.softplus(y_fake)) / batchsize loss L1 L2 chainer.report({loss: loss}, dis) return loss def loss_gen(self, gen, y_fake): batchsize len(y_fake) loss F.sum(F.softplus(-y_fake)) / batchsize chainer.report({loss: loss}, gen) return loss def update_core(self): gen_optimizer self.get_optimizer(gen) dis_optimizer self.get_optimizer(dis) batch self.get_iterator(main).next() device self.device x_real Variable(self.converter(batch, device)) / 255. gen, dis self.gen, self.dis batchsize len(batch) y_real dis(x_real) z Variable(device.xp.asarray(gen.make_hidden(batchsize))) x_fake gen(z) y_fake dis(x_fake) dis_optimizer.update(self.loss_dis, dis, y_fake, y_real) gen_optimizer.update(self.loss_gen, gen, y_fake)DCGANUpdater继承自chainer.training.updaters.StandardUpdater框架实现见 chainer/training/updaters/standard_updater.py几乎所有基础设施迭代器管理、优化器管理、序列化等都由父类提供这里只需重写__init__与update_core两个方法__init__的约定。额外的关键字参数models传入(gen, dis)二元组并在调用父类构造函数前从中弹出同时通过关键字参数传递iterator、optimizer、device。特别地optimizer参数必须是一个字典——两个不同的模型需要两个不同的优化器因此传入{gen: opt_gen, dis: opt_dis}。在DCGANUpdater内部通过self.get_iterator(main)访问主迭代器通过self.get_optimizer(gen)与self.get_optimizer(dis)分别访问两个优化器。说明loss_dis与loss_gen只在update_core内部被调用无需定义为方法这里单独抽取出来纯粹是为了提高代码可读性。update_core的交替更新流程。具体步骤为取出两个优化器引用gen_optimizer、dis_optimizer用self.get_iterator(main).next()获取下一个 minibatch交给self.converter拷贝到目标设备再包成Variable——即x_real Variable(self.converter(batch, device)) / 255.除以 255 是把像素值归一化到 $[0,1]$与生成器sigmoid输出的取值范围对齐让判别器对真实图像打分y_real dis(x_real)采样隐变量zgen.make_hidden(batchsize)生成假图像x_fake gen(z)再让判别器打分y_fake dis(x_fake)先更新判别器dis_optimizer.update(self.loss_dis, dis, y_fake, y_real)再更新生成器gen_optimizer.update(self.loss_gen, gen, y_fake)。损失函数的形式。这里使用的是 GAN 目标函数的非饱和non-saturating形式以softplus实现loss_dis$L \frac{1}{N}\sum \big[\mathrm{softplus}(-y_{real}) \mathrm{softplus}(y_{fake})\big]$。由于 $\mathrm{softplus}(-y) \log(1e^{-y}) -\log \sigma(y)$等价于判别器在真实样本上输出尽量大、在假样本上输出尽量小即最小化 $-\log D(x_{real}) - \log(1-D(G(z)))$loss_gen$L \frac{1}{N}\sum \mathrm{softplus}(-y_{fake})$即最小化 $-\log D(G(z))$推动生成器让判别器对假样本输出尽量大骗过判别器。两个损失函数还通过chainer.report({loss: loss}, ...)上报供Trainer的LogReport、PrintReport扩展记录到日志中——这就是训练输出中gen/loss、dis/loss两列数据的来源。关于数组模块在自定义update_core时常需用 numpy/cupy 操作Variable底层的array。注意 CPU 上数组类型是numpy.ndarrayGPU 上是cupy.ndarray无需手写if分支——可用xp chainer.backend.get_array_module(variable.array)获得正确的数组模块variable在 GPU 上时xp为cupy否则为numpy。本示例代码中则直接使用device.xp与self.device效果相同。3.6 装配 Trainer 与训练扩展设置好 updater 后将其交给Trainer并挂载一系列扩展examples/dcgan/train_dcgan.py# Setup a trainer trainer training.Trainer(updater, (args.epoch, epoch), outargs.out) snapshot_interval (args.snapshot_interval, iteration) display_interval (args.display_interval, iteration) trainer.extend( extensions.snapshot(filenamesnapshot_iter_{.updater.iteration}.npz), triggersnapshot_interval) trainer.extend(extensions.snapshot_object( gen, gen_iter_{.updater.iteration}.npz), triggersnapshot_interval) trainer.extend(extensions.snapshot_object( dis, dis_iter_{.updater.iteration}.npz), triggersnapshot_interval) trainer.extend(extensions.LogReport(triggerdisplay_interval)) trainer.extend(extensions.PrintReport([ epoch, iteration, gen/loss, dis/loss, ]), triggerdisplay_interval) trainer.extend(extensions.ProgressBar(update_interval10)) trainer.extend( out_generated_image( gen, dis, 10, 10, args.seed, args.out), triggersnapshot_interval)各扩展的作用extensions.snapshot每snapshot_interval默认 1000次迭代保存整个 trainer 的快照snapshot_iter_{iteration}.npz用于中途断点恢复extensions.snapshot_object分别保存生成器与判别器的参数快照gen_iter_*.npz、dis_iter_*.npz便于事后单独加载某个模型extensions.LogReport每display_interval默认 100次迭代记录日志extensions.PrintReport在控制台打印epoch / iteration / gen/loss / dis/lossextensions.ProgressBar显示训练进度条与预估剩余时间out_generated_image来自 examples/dcgan/visualize.py 的自定义扩展每个快照间隔生成一张 $10\times10$ 网格的生成图像保存到out/preview/image{iteration:08d}.png固定seed以保证同一隐变量在不同时期可以对比。visualize.py中out_generated_image的实现要点examples/dcgan/visualize.py设置随机种子后采样 $10\times10100$ 个隐变量在chainer.using_config(train, False)上下文关闭训练模式从而跳过add_noise中让生成器产出图像把输出乘 255、裁剪到[0, 255]并转成uint8再按(rows, cols, 3, H, W)重排成网格后保存为 PNG。另外训练脚本支持从快照断点续训examples/dcgan/train_dcgan.pyif args.resume is not None: # Resume from a snapshot chainer.serializers.load_npz(args.resume, trainer) # Run the training trainer.run()3.7 命令行参数一览入口脚本 examples/dcgan/train_dcgan.py 通过argparse解析全部参数参数别名默认值说明--batchsize-b50每个 minibatch 的图像数量--epoch-e1000遍历数据集的训练轮数--device-d-1设备说明符ChainerX 设备描述符或整数非负整数使用指定 id 的 CuPy 数组GPU负整数使用 NumPy 数组CPU--dataset-i图像文件目录缺省时使用 CIFAR-10--out-oresult结果输出目录--resume-r无从快照恢复训练--n_hidden-n100隐变量 z 的维度--seed无0可视化阶段隐变量采样的随机种子--snapshot_interval无1000快照保存间隔迭代数--display_interval无100控制台日志打印间隔迭代数--gpu-g无已废弃参数GPU id负数表示 CPU实际映射到--device注意--gpu已被标记为deprecated推荐使用--device指定设备--device也支持 ChainerX 设备描述符如cuda:0、native:0。3.8 启动训练在examples/dcgan目录下执行$ pwd /root2chainer/chainer/examples/dcgan $ python train_dcgan.py --gpu 0 GPU: 0 # Minibatch-size: 50 # n_hidden: 100 # epoch: 1000 epoch iteration gen/loss dis/loss ................] 0.01% 0 100 1.2292 1.76914 total [..................................................] 0.02% this epoch [#########.........................................] 19.00% 190 iter, 0 epoch / 1000 epochs 10.121 iters/sec. Estimated time to finish: 1 day, 3:26:26.372445.脚本启动时会先打印设备、minibatch 大小、隐变量维度与总 epoch 数随后由PrintReport与ProgressBar输出每 100 次迭代的gen/loss、dis/loss以及进度和预估剩余时间。教程文档中的运行环境为单 GPU--gpu 0等价于--device 0。训练结束后所有结果保存在输出目录默认examples/dcgan/result/由--out指定下包括snapshot_iter_*.npz、gen_iter_*.npz、dis_iter_*.npz训练快照与模型参数logLogReport产生的训练日志preview/image*.png周期性生成的 $10\times10$ 图像网格。下面的结果是生成器训练 1000 个 epoch 后的输出教程页面顶部的 GIF 则展示了每 10 个 epoch 的生成图像演变过程从图中可以看到经过充分训练后生成器产出的图像在色彩、纹理与物体结构上已接近 CIFAR-10 真实样本的分布。4. 小结与扩展阅读本教程完整走通了「GAN 原理 → DCGAN 架构设计 → Chainer 代码实现 → 端到端训练」的整条链路GAN 通过生成器与判别器的 min-max 博弈学习数据分布对应目标函数 $\min_G \max_D \mathbb{E}[\log D(\mathbf{s})] \mathbb{E}[\log(1-D(G(\mathbf{z})))]$DCGAN 用全卷积结构 批归一化 leaky ReLU 克服 GAN 训练不稳定问题Chainer 侧的关键实现Generator/Discriminatornet.py、交替更新的DCGANUpdaterupdater.py、训练入口train_dcgan.py与可视化扩展visualize.py。如果你想更深入学习 Chainer 网络构建规范可参考 docs/source/guides 中的模型创建教程了解StandardUpdater的默认更新逻辑与序列化机制可阅读 chainer/training/updaters/standard_updater.py将 CIFAR-10 换成自己的图片数据集只需用--dataset指向图片目录注意保持 32×32 分辨率或同步修改网络结构本示例其余相关资料见 examples/dcgan/README.md。参考论文Goodfellow 等人NIPS 2016 教程《Generative Adversarial Networks》Nash 均衡博弈论概念Jensen-Shannon 散度分布差异度量Goodfellow 等人《Generative Adversarial Networks》GAN 原始论文Radford 等人《Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks》DCGAN 原始论文本文架构与训练技巧的直接来源赞分享深度学习机器学习【免费下载链接】chainerA flexible framework of neural networks for deep learning项目地址https://gitcode.com/gh_mirrors/ch/chainer点击查看免费下载相关推荐Chainer生成对抗网络(GAN)实现DCGAN、StyleGAN案例详解想要快速掌握深度学习框架中生成对抗网络的实现方法吗Chainer作为一款灵活的神经网络框架为GAN的实现提供了完整而简单的解决方案。本文将详细介绍如何使用C深度学习机器学习从零实现DCGAN生成逼真人脸图像完整指南从零实现DCGAN生成逼真人脸图像完整指南 你还在为GAN训练不稳定、生成图像模糊而困扰吗作为深度学习领域最具革命性的生成模型之一深度卷积生成对抗网络DOpCore Simplify黑苹果 OpenCore EFI 自动配置完整指南OpCore Simplify黑苹果 OpenCore EFI 自动配置完整指南 手动改 EFI 改了一周一个参数写错就白屏这是很多人做黑苹果配置时的真实开发工具CLI上一篇8cc 开源项目教程下一篇pg_repack: 优化 PostgreSQL 数据存储的高效工具创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
