GAN是一種典型的概率生成模型，其核心思想是：找出給定觀測資料內部的統計規律，並且能夠基於所得到的概率分佈模型，產生全新的，與觀測資料類似的資料。

概率生成模型可以用於自然影象的生成。假設給定1000萬張圖片之後，生成模型可以自動學習到其內部分佈，能夠解釋給定的訓練圖片，並同時生成新的圖片。

與龐大的真實資料相比，概率生成模型的引數個數要遠遠小於資料的數量。因此，在訓練過程中，生成模型會被強迫去發現數據背後更為簡單的統計規律，從而能夠生成這些資料。

由於GAN這種無監督學習已經成為深度學習的新技術點，而且出來了很多應用，因此對GAN的一些應用進行逐步學習，其中影象到影象之間的轉換操作是一種典型的應用。因此對該技術進行學習操作。

本實驗主要參考程式碼為：https://github.com/affinelayer/pix2pix-tensorflow

（1）首先下載資料集，https://people.eecs.berkeley.edu/~tinghuiz/projects/pix2pix/datasets/，從這個網址上可以下載很多個經典的應用資料集。本文實驗只選用facades這個資料集，由於剩下原理都是一樣的。

（2）進行訓練

在程式pix2pix.py程式碼中，手動新增測試引數，本文只讓執行200次。

  # 訓練的時候的引數

#     a.input_dir = "/home/ndscbigdata/work/imgdata/facades/train"
#     a.mode = "train"
#     a.output_dir = "/home/ndscbigdata/work/imgdata/facades/ckt"
#     a.max_epochs=200
#     a.which_direction = "BtoA"

      

（3）進行測試

測試結果執行結果如圖所示：

測試結果截圖如下：可以看出生成效果還是相當不錯的，不過假如把訓練max_epochs設定大一些，可能效果更好。

具體的程式碼已經發布在github上：https://github.com/ndscigdata/tensorflow-pratice