论文：https://arxiv.org/abs/1511.06434

        参考：DCGAN结构

        核心要素︰在不改变GAN原理的情况下提出了一些有助于增强稳定性的tricks

DCGAN网络介绍

        DCGAN是GAN的直接扩展，它在判别器和生成器中分别显式地使用卷积和卷积转置层。它首先在Radford在文章 Unsupervised Representation Learning With Deep Convolutional Generative Adversarial Networks 提出了一种基于深层卷积生成对抗网络的无监督表示学习方法。

        其中判别器显式使用卷积层，生成器显式使用卷积转置层。判别器由跨步卷积层(strided convolution layers )、批归一化层(batch norm layers) 和 LeakyReLU 激活函数构成。例如如果输入是3x64x64图像，则输出是输入来自真实数据分布的标量概率。生成器由卷积转置层(convolutional-transpose)、批归一化层和 ReLU 激活层组成。其输入是从标准正态分布中提取的潜在矢量(latent vector) z，输出是其生成的3x64x64的RGB图像。

        跨步卷积转置层(strided conv-transpose layers)允许将潜在矢量(latent vector)变换为具有与图像相同的shape。

        用到的tricks如下所示：

• 所有pooling都用strided convolutions代替，pooling的下采样是损失信息的，strided convolutions可以让模型自己学习损失的信息。（对于之前的GAN采用的是pooling层，比如说pooling=2，即四个选一个，这是损失信息的） 
• 生成器G和判别器D都要用BN层（解决过拟合问题，BN在每一层输出都归一化）
• 把全连接层去掉，用全卷积层代替
• 生成器除了输出层，激活函数统一使用ReLU（效果好，不解释），输出层用Tanh。
• 判别器所有的层的激活函数统一都是LeakyReLU。激活函数参考https://zhuanlan.zhihu.com/p/172254089

DCGAN网络结构

生成网络结构

        DCGAN 的判别器和生成器都使用了卷积神经网络（CNN）来替代GAN 中的多层感知机，同时为了使整个网络可微，拿掉了CNN 中的池化层，另外将全连接层以全局池化层替代以减轻计算量。

         生成网络（Generator）接收一个随机噪声z，然后通过上采样（up-sampling）生成图像G(z)。上采样主要采用反卷积算法，G接收一个100-d随机噪声z，经过Project and reshape（实际上就是一个全连接层），转化为一个4*4*1024的feature map，然后经过多个反卷积层，生成大小为64*64*3的图像。

 判别网络结构

        判别网络（Discriminator）的输入为一张图片，经过下采样（down-sampling，卷积运算），再接全连接层处理，送入sigmoid函数，输出真假概率。