生成對抗網路（GAN）自提出後發展出了許多GAN網路模型，DCGAN就是由GAN發展而來的網路模型。

DCGAN（deep convolutional generative adversarial networks，深度卷積生成對抗網路）在GAN的發展過程中具有舉足輕重的作用，其構建了穩定的對抗網路結構，有利於工程上的實現。DCGAN相較於傳統的對抗網路，其將G和D兩個模型用卷積神經網路實現，同時也改變了CNN的部分結構，模型的效能有了一定的提高、模型的訓練時間有了一定的縮短。DCGAN對CNN的改變列於以下六點：

（1）取消所有的池化層，並用卷積層對池化層進行替代；

（2）在G和D中全部使用歸一化演算法，在每一個階段都進行階段性質的歸一化操作，有助於生成更高質量的影象，解決了CNN初始化引數差的問題、防止了G網路把所有的樣本資料都收斂於一點；

（3）在G網路中每一個層級結構最後進行反捲積操作；

（4）移除FC層，使得網路變為全卷積網路；

（5）在G網路中的所有中間層的啟用函式統一設定為ReLU函式，輸出層的啟用函式採用Tanh函式；

（6）在D網路中輸出層和中間層採用統一的啟用函式LeakyReLU。

DCGAN中生成網路的示意圖如下圖所示，輸入為200z的噪音資料，經過相應的操作（Project and reshape），生成一個4×4×1024（這裡面的1024可以理解為特徵圖的數目）的向量，再經過一步又一步的卷積和反捲積操作，最終生成64×64×3的列向量（影象的三維向量）。

DCGAN中判別網路的示意圖如下圖所示，模型運算的方向正好和生成模型運算的方向相反，模型從64×64×3的影象資料開始，經過一系列的卷積層級結構最後對資料進行了二分類。

最後給出DCGAN發表時的論文以供參考：https://arxiv.org/abs/1511.06434

原始程式碼地址：https://github.com/carpedm20/DCGAN-tensorflow

一個 GAN 是一個生成模型，使用雙神經網路模型進行訓練。 其中一個模型被稱為"生成器"或"生成網路"模型，用於學習生成新的看似合理的樣本；另一個模型被稱為"判別器"或"判別網路"，它學習區分生成的例子和真例項子。

關注優就業，學習更多深度學習知識。