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。

文章的上篇讲解了数据集class和鉴别器class，下面将会继续建立生成器class，并完成鉴别器与生成器的对抗。

1 转置卷积

生成器的结构应与鉴别器相逆，因此生成器不再使用卷积操作，而是使用卷积的逆向操作，我们称之为转置卷积（transposed convolution）。

与普通的卷积不同，转置卷积中的卷积核是从输入图像的底部向上卷的，而不是从顶部向下卷。这是通过交换卷积核的行和列，并在每次卷积时对卷积核进行逆时针旋转180度来实现的。

转置卷积的步骤如下：

对卷积核进行行列交换，将其变为与输入图像矩阵相同的大小。

对卷积核进行逆时针旋转180度。

将卷积核应用于输入图像。

因此，转置卷积不同于普通卷积，它不需要对卷积核进行任何变换，因此不需要学习任何参数。此外，转置卷积的输出图像的大小一般大于输入图像的大小，因此可以用于图像放大等应用。

图片来源：《Python生成对抗网络编程》

转置卷积用到的函数是nn.ConvTranspose2d。其中的参数有in_channels：输入通道数；out_channels：输出通道数；kernel_size：卷积核的大小；stride：卷积步长；padding：卷积边缘填充；output_padding：输出大小增加的填充；groups：卷积核分组数；bias：是否使用偏置。

2 生成器修改

此次代码中，生成器的总体结构为：输入 — 全连接层 — 转置卷积层1 — 转置卷积层2 — 转置卷积层3 — 输出

卷积层后没有接新的全连接层而直接输出，是为了保障将能够将局部特征直接生成最终图像。

class Generator(nn.Module):
    def __init__(self):
        # 修改后的网络结构
        self.model = nn.Sequential(
            # 输入是一个一维数组
            nn.Linear(100, 3 * 11 * 11),
            nn.LeakyReLU(0.2),
            # 转换成四维
            View((1, 3, 11, 11)),
            nn.ConvTranspose2d(3, 256, kernel_size=8, stride=2),
            nn.BatchNorm2d(256),
            nn.LeakyReLU(0.2),
            nn.ConvTranspose2d(256, 256, kernel_size=8, stride=2),
            nn.BatchNorm2d(256),
            nn.LeakyReLU(0.2),
            nn.ConvTranspose2d(256, 3, kernel_size=8, stride=2, padding=1),
            nn.BatchNorm2d(3),
            nn.Sigmoid()
        )

结构讲解：

生成器的输入仍然保留为100个，使用全连接的方式，连接至（3*11*11）维度的张量，激活函数使用漏斗形非线性激活函数LeakReLu。

第一个转置卷积层接受了3个11*11的输入，卷积核大小为8，步长为2，不补全，则输出为28*28。激活函数同样使用LeakReLu。

转置卷积输出的计算方法：

输出 = 输入 + （输入 − 1 ） × （步长 − 1 ） + （卷积核 − 1 ） − 补全 × 2 输出=输入+（输入-1）×（步长-1）+（卷积核-1）-补全×2

输出=输入+（输入−1）×（步长−1）+（卷积核−1）−补全×2

上面的4部分代表了原始输入的大小、因步长而增加的大小、因卷积核而增加的大小（卷积核在边缘时为其增加的空白像素）、因补全而降低的大小（是否补全与补全在函数中定义，本处未定义默认不补全，此处补全的含义与词语含义相反）。

第二个转置卷积层接受了256个28*28的输入，卷积核大小为8，步长为2，不补全，则输出为62*62。激活函数再次使用LeakReLu。

第三个转置卷积层接受了256个28*28的输入，卷积核大小为8，这里卷积核个数恢复为3（如输出通道的RGB颜色相匹配），步长为2，不补全，则输出为128*128。使用常见的sigmoid函数进行输出。

3 生成器测试

在不进行训练的情况下，直接生成图片，已检查生成器class是否存在明显BUG。

G = Generator()
G.to(device)
output = G.forward(generate_random_seed(100))
img = output.detach().permute(0,2,3,1).view(128,128,3).cpu().numpy()
plt.imshow(img, interpolation='none', cmap='Blues')
plt.show()

输出如下：

因为增加了转置卷积，所以与单纯的随机生成图片不同，边缘颜色的色彩鲜明都要明显弱于中心。

4 训练模型

训练部分与普通的GAN模型相比不需任何修改，此处不再贴代码，有需要可以直接下载查看。

鉴别器和生成器在训练后期，均呈现稳态震荡。

与非卷积相比，卷积GAN生成的图片具备明显的五官特征。但五官匹配并不完美，增加训练集与训练次数后在一定程度上可以解决此问题。

下面查看使用卷积后，内存消耗是否有优化

print(torch.cuda.memory_allocated(device) / (1024*1024*1024))
print(torch.cuda.max_memory_allocated(device) / (1024*1024*1024))

结果分别为：

可以看出与之前超过1个G的内存占用相比，优化明显。

本案例的完整代码链接可点此下载或文末留言申请。

————————————————