阅读提示：本篇文章的代码为在普通GAN代码上实现人脸图片生成的修改，文章内容仅包含修改内容，全部代码讲解需结合下面的文章阅读。
相关资料链接为：使用PyTorch构建GAN生成对抗
本次训练代码使用了本地GPU计算。
1 CelebADataset类的修改
原则上这一类不需要修改，但为了提升模型运行速度，可以对图片周边适当裁剪，保留五官等重要内容。
# 设置裁剪功能（辅助函数） def crop_centre(img, new_width, new_height): height, width, _ = img.shape startx = width//2 - new_width//2 starty = height//2 - new_height//2 return img[ starty:starty + new_height, startx:startx + new_width, :]
上面这个函数可以用来从图像的中心裁剪。该函数接收三个参数：
img：原始图像，需要是 numpy 数组形式
new_width：裁剪后图像的新宽度
new_height：裁剪后图像的新高度
该函数通过计算原始图像的中心位置，以及所需裁剪图像的起始位置，从而在 numpy 数组上实现裁剪。最后，函数返回裁剪后的图像。
有了这个函数后，可以在类中预置对图像的裁剪功能，需要对类的__getitem__方法和plot_image方法进行优化。
class CelebADataset(Dataset): def __getitem__(self, index): if index >= len(self.dataset): raise IndexError() img = numpy.array(self.dataset[str(index) + '.jpg']) img = crop_centre(img, 128, 128) return torch.cuda.FloatTensor(img).permute(2,0,1).view(1,3,128,128) / 255.0 def plot_image(self, index): img = numpy.array(self.dataset[str(index)+'.jpg']) img = crop_centre(img, 128, 128) plt.imshow(img, interpolation='nearest')
2 鉴别器类的修改
鉴别器的网络结构是卷积GAN需要重点修改的地方。此次的卷积GAN设置了3个卷积层和1个全连接层。
class Discriminator(nn.Module): def __init__(self): self.model = nn.Sequential( nn.Conv2d(3, 256, kernel_size=8, stride=2), nn.BatchNorm2d(256), nn.LeakyReLU(0.2), nn.Conv2d(256, 256, kernel_size=8, stride=2), nn.BatchNorm2d(256), nn.LeakyReLU(0.2), nn.Conv2d(256, 3, kernel_size=8, stride=2), nn.LeakyReLU(0.2), View(3*10*10), nn.Linear(3*10*10, 1), nn.Sigmoid() )
经过裁剪的图片的小为128*128；
第一个卷积层使用了256个卷积核，每个卷积核大小为8，步长为2。这一卷积层将会输出256个特征图，特征图的大小为 128 − 8 2 + 1 \frac{128-8}{2}+1 2128−8 +1 ，即61*61；
第二个卷积层使用了256个卷积核，每个卷积核大小为8，步长为2。这一卷积层将会输出256个特征图，特征图的大小为 61 − 8 2 + 1 \frac{61-8}{2}+1 261−8 +1 ，即27*27；
第二个卷积层使用了3个卷积核，每个卷积核大小为8，步长为2。这一卷积层将会输出3个特征图，特征图的大小为 27 − 8 2 + 1 \frac{27-8}{2}+1 227−8 +1 ，即10*10；
经过了3层的卷积后，图片的大小已经降到了（3*10*10）。
3 鉴别器测试
修改完鉴别器之后，可以使用真实图像和随即图像，初步判断鉴别器的能力与测试这部分修改后的代码是否存在BUG。
# 鉴别器类建立 D = Discriminator() D.to(device) # 测试鉴别器 for image_data_tensor in celeba_dataset: # real data D.train(image_data_tensor, torch.cuda.FloatTensor([1.0])) # fake data D.train(generate_random_image((1,3,128,128)), torch.cuda.FloatTensor([0.0])) pass
同样，可以查看损失函数的变化情况并使用测试集进行测试。
for image_data_tensor in celeba_dataset: # real data D.train(image_data_tensor, torch.cuda.FloatTensor([1.0])) # fake data D.train(generate_random_image((1,3,128,128)), torch.cuda.FloatTensor([0.0])) pass D.plot_progress() for i in range(4): image_data_tensor = celeba_dataset[random.randint(0,20000)] print( D.forward( image_data_tensor ).item() ) pass for i in range(4): print( D.forward( generate_random_image((1,3,128,128))).item() ) pass
可以看出，鉴别器对于数据的判断非常有信息。
之后还需对生成器进行同步修改，并使用代码生成图像，这部分内容将放在下篇。
