关于gan的流程理解

关于gan的流程理解，

最近再看cyclegan所以慢慢来看，最后了解了原理来跑代码就好

先说第一点：

架构

　　gan的架构就是两个重要的点：１　生成器　　２　　分辨器

　　

　　生成器的作用就是生成假的图片

　　分辨器的作用就是在给一个正确的图片和一个生成的假的图片之后，他可以把正确的找出来

　由此，其实我这里提出好多问题：

１　如何生成假的图片：反卷积

２　如何判断，好像是一个二分类，两个图片都给过去，<0.5就是假的，>0.5就是真的，当然这个0.x就是sigmoid(wx+b)(也就是距离的sigmoid值，)可是还是有问题，同时给两个图片吗？应该是给一个图片，然后算距离？不是，给两个图片，都算标定值的距离，两个物体只能二分类？

３　如何梯度下降？

带着这几个问题去读源码

面对第一个问题：如何生成图片，源码给出的解决方案是反卷积，

那么如何反卷积呢？

就是这样：

具体函数就一个：nn.ConvTranspose2d(ngf * mult, int(ngf * mult / 2),
                                         kernel_size=3, stride=2,
                                         padding=1, output_padding=1,
                                         bias=use_bias),

首先的操作是：

１　进行卷积上图第一行　　feature:4*4 filter: 2*2  stride: 2　　　得到结果：2*2

2      进行反卷积：首先第一步：

　　　　　　１　补０：让卷积后的结果，每一个元素后面都补(stride-1)个０　成为了　下左２

　　　　　　２　补０：对整体再补０，这个整体补０的个数是取决于补０之后，把卷积核完全颠倒过来，按照stride=1进行卷积，卷积之后要得到原始大小（上左一）的结果