我正在探索生成对抗网络 (GAN)，我将其用于多个任务，而不仅仅是图像生成。
深度卷积GAN（DCGAN）是GAN的另一种专门用于图像数据的方法，DCGAN的特殊性在于它们在鉴别器中使用卷积层，在生成器中使用转置卷积层。
在我的应用程序中，我在鉴别器中使用卷积层，但我没有对生成器使用转置卷积，而是使用了简单的卷积。
问题是，由于我不使用转置卷积，我目前使用的是 simple GAN 还是 DCGAN
提前感谢您的回答，祝您有美好的一天
【问题讨论】：
标签： generative-adversarial-network dcgan
不只是转置的卷积层。实际上，它是一种尝试将 Gans 与卷积神经网络结合使用，并通过对其进行修改来确保稳定的架构。他们的一些修改包括使用可学习的上采样 abd 下采样而不是最大池化，在判别器的输出处用扁平化和 sigmoid 层替换完全连接的层，将批量标准化应用于除生成器的输出和判别器的输入之外的所有层和一些更多的。 关于您的疑问，将您的架构称为 GAN 或 DCGAN 似乎有点令人困惑，因为在普通 Gan 架构中没有使用卷积层。iN 原始 GAN 的鉴别器和生成器是完全连接的网络，分别混合了 relu 和 maxout 激活. 为了将 CNN 与最初被认为不稳定的 GAN 一起使用，当时引入了一些论文，例如 LAPGAN 和 DCGAN。 话虽如此，除非您复制了整个训练细节和架构，否则您也不能将您的架构称为 DCGAN，尽管您可以说我的模型受到 DCGAN 的启发，几乎没有修改。 我希望这能消除您的疑虑。
【讨论】：
GAN 由两部分组成：
这两个人在玩游戏，每次伪造者都试图编造一些东西，在监督者的眼中更难区分。每次 Inspector 成功地发现伪造者，这就是伪造者了解为什么被抓到的教训，并且下次更好地掩饰自己。
长话短说，这个游戏叫GAN！你如何实现它，选择架构，实际上是你的选择。在我的理解中，DCGANs 使用深度卷积网络作为生成器部分（伪造者）。这并不是关于使用 ConvTranspose 或普通 convs。
对于检查器，您也不必将其作为鉴别器来实现。例如，WGAN 被证明使用 Earth-mover 指标而不是分类损失是有效的。
但是，这些是我的观点和理解，可能不是 100% 正确的。祝你好运
【讨论】：