如何决定有多少卷积和反卷积应用于 GAN？答案

【问题标题】：How to decide how many convolutions e deconvolutions apply to a GAN?如何决定有多少卷积和反卷积应用于 GAN？
【发布时间】：2019-10-16 22:38:00
【问题描述】：

我试图了解对抗性生成网络是如何工作的：我在 François Chollet（使用 Python 进行深度学习）的书中找到了一个示例，其中有一个 GAN 示例，他使用 CIFAR10 数据集，使用“frog” ' 包含 32x32 RGB 图像的类。

我不明白为什么：

在 (1) 中，输入被转换为 16 × 16 128 通道（为什么是 128 通道？）特征图
在 (2) 中，当进行卷积时，使用哪个滤波器？未指定

接下来，运行另一个 Conv2DTranspose，然后运行另一个 3 Conv2d。为什么？！

最后，我有一个 32 × 32 的 1 通道特征图。

from keras import layers
import numpy as np
latent_dim = 32
height = 32
width = 32
channels = 3

generator_input = keras.Input(shape=(latent_dim,))

(1)
x = layers.Dense(128 * 16 * 16)(generator_input)
x = layers.LeakyReLU()(x)
x = layers.Reshape((16, 16, 128))(x)

(2)
x = layers.Conv2D(256, 5, padding='same')(x)
x = layers.LeakyReLU()(x)

x = layers.Conv2DTranspose(256, 4, strides=2, padding='same')(x)
x = layers.LeakyReLU()(x)

x = layers.Conv2D(256, 5, padding='same')(x)
x = layers.LeakyReLU()(x)
x = layers.Conv2D(256, 5, padding='same')(x)
x = layers.LeakyReLU()(x)

x = layers.Conv2D(channels, 7, activation='tanh', padding='same')(x)
generator = keras.models.Model(generator_input, x)
generator.summary()

【问题讨论】：

标签： machine-learning deep-learning artificial-intelligence generative-adversarial-network

【解决方案1】：

1) 这是一个任意选择，您可以为 Dense 层选择任意数量的通道。

选择 16x16，因为步幅为 2 设置为 Conv2DTranspose，并且您希望对宽度和高度进行上采样以获得 32x32 的输出。

步幅用于影响卷积层的输出大小。在普通卷积中，输出按与步幅相同的因子进行下采样，而在转置卷积中，它们按与步幅相同的因子进行上采样。

例如，您可以将第一层输出更改为 8x8x128，然后在您的 Conv2DTranspose 中使用 4 的步幅，这样您将在维度方面得到相同的结果。

还请记住，正如 François Chollet 在他的书中所述，当使用跨步转置卷积时，为了避免因像素空间覆盖不均而导致的棋盘伪影，内核大小应能被其跨步数整除。

2) 您在Conv2D 或Conv2DTranspose 中设置的第一个参数是卷积层生成的过滤器数量。

如前所述，跨步 Conv2DTranspose 精确用于将宽度和高度上采样等于步幅数的因子。

另外 3 个Conv2D 也是任意的，你应该通过实验和微调你的模型来确定它们。

【讨论】：

【解决方案2】：

对于 1) 我不认为使用密集节点的数量 (128x16x16) 是有原因的，但是设置了 16x16 是因为您只有 1 层可以将 16x16 采样到 32x32。

对于2）用于实例化Conv2D的第一个参数256定义了过滤器的数量。

关于您的最后一个问题Next, run another Conv2DTranspose and then another 3 Conv2d. Why?!，我建议您尝试增加/减少层数，以了解模型在这些变化中的表现（表现更好与否），这是“@987654322”的一部分@" 构建神经网络时的过程。

希望以上内容有所帮助。

【讨论】：