DCGAN in Tensorflow

本代码基于Carpdm的DCGAN实现（原代码地址），添加如下改善：

1. 原代码中将测试生成数目与生成器噪声维度混用，本代码中将测试图片数目（原generate_test_images参数，改为num_test）与噪声维度参数（添加的input_noise_dim）分离；
2. 源代码使用step计数保存训练权重及sample，改为通过epoch并增加save_epochs参数；
3. 在优化器中添加学习率衰减tf.train.exponential_decay，衰减参数可自行调整，位于train方法开头；
4. 其他细节：在生成器中使用了lrelu，输入噪声改为正态分布等。

DCGAN 论文

《深度卷积生成对抗网络》： Deep Convolutional Generative Adversarial Networks 。

• 下面介绍一下我使用的软件环境，以及代码文件的基本用法；更多介绍及实验结果可查看原repo。
• 由于sample中将batchsize个图片进行对折，故建议batchsize为平方数。

环境配置

下面是我自己使用的版本，可选的两个并未使用。

• Python 3.6
• Tensorflow 1.14.1
• SciPy 1.2.1
• pillow 7.1.2
• (Optional) moviepy (for visualization)
• (Optional) Align&Cropped Images.zip : Large-scale CelebFaces Dataset

使用方法

一、使用MNIST及celebA数据集

1.运行download.py下载数据集：

$ python download.py mnist celebA

2.开始训练:

$ python main.py --dataset mnist --input_height=28 --output_height=28 --train --crop=False --input_noise_dim=512 --batch_size 64 --epoch 15

$ python main.py --dataset tusimple --output_width=320 --output_height=180 --input_width=320 --input_height=180 --train --crop False --input_noise_dim=512 --batch_size 4 --epoch 10

二、使用其它数据集:

$ mkdir data/DATASET_NAME
... 在data/目录中以数据集名称DATASET_NAME为名的文件夹并放入训练数据 ...

$ 如果数据集位于其他目录DATASET_ROOT_DIR：
$ python main.py --dataset DATASET_NAME --data_dir DATASET_ROOT_DIR --train

$ 训练（例）：
$ python main.py --dataset tusimple --output_width=192 --output_height=108 --input_width=192 --input_height=108 --train --crop=False --input_noise_dim=1024 --batch_size 64 --epoch 15

$ 训练中将以*DATASET_NAME_BATCHSIZE_HEIGHT_WIDTH*的方式保存权重

三、使用预训练模型生成测试图片

训练之后可以使用保存的权重进行生成:

$ python main.py --dataset tusimple --output_width=192 --output_height=108 --input_width=192 --input_height=108 --train=False --batch_size 64 --num_test 50

$ num_test代表要生成的图片数目，但由于训练中将以*DATASET_NAME_BATCHSIZE_HEIGHT_WIDTH*的方式保存权重，仍需携带batchSize参数以找到权重路径。