關於gan的流程理解
關於gan的流程理解，
最近再看cyclegan所以慢慢來看，最後了解了原理來跑代碼就好
先說第一點：
架構
gan的架構就是兩個重要的點：１ 生成器 ２ 分辨器
生成器的作用就是生成假的圖片
分辨器的作用就是在給一個正確的圖片和一個生成的假的圖片之後，他可以把正確的找出來
由此，其實我這裏提出好多問題：
１ 如何生成假的圖片：反卷積
２ 如何判斷，好像是一個二分類，兩個圖片都給過去，<0.5就是假的，>0.5就是真的，當然這個0.x就是sigmoid(wx+b)(也就是距離的sigmoid值，)可是還是有問題，同時給兩個圖片嗎？應該是給一個圖片，然後算距離？不是，給兩個圖片，都算標定值的距離，兩個物體只能二分類？
３ 如何梯度下降？
帶著這幾個問題去讀源碼
面對第一個問題：如何生成圖片，源碼給出的解決方案是反卷積，
那麽如何反卷積呢？
就是這樣：
具體函數就一個：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 進行卷積上圖第一行 feature:4*4 filter: 2*2 stride: 2 得到結果：2*2
2 進行反卷積：首先第一步：
１ 補０：讓卷積後的結果，每一個元素後面都補(stride-1)個０ 成為了 下左２
２ 補０：對整體再補０，這個整體補０的個數是取決於補０之後，把卷積核完全顛倒過來，按照stride=1進行卷積，卷積之後要得到原始大小（上左一）的結果
關於gan的流程理解