收获
在复现这个项目以前，我算是一个完全不入门的人。
所以，第一遍我花里很大的精力取读懂代码，第二遍根据视频去理清思路，第三遍根据tensorflow框架的学习去代码中寻找他的身影。所以，整个项目下来，写的可能水平参差不齐，我不清楚要怎么表达，怎么表达出来，更多的是这个过程的记录，你会看到各个过程的身影。
首先，我明白了顺序的重要性。先看论文，再看代码是一个不错的选择。这一次由于没有思路，所以先看代码，再看得论文，所以第一遍有无数疑惑在脑中，直到第二遍才理清楚。
其次，抵消了对tensorflow代码的恐惧。人对未知的事物总是感到不安，对我而言，以前复现代码时总是担忧着，我只是能跑出来，但这代码是什么样的？这回终于安心里，他的代码结构是这个样子，当然，掌握的还不够熟练，以后肯定需要多次温习。
再然后，简单学习了tensorflow框架，体会到了框架的美妙和强大，简洁的背后是巧妙地封装。
最后，这次并没有将整个项目代码，一行一行解读完，只重点解读了main.py和model.py这两个最重要的文件，其余文件中涉及到的函数大部分也都有说明。
最最后，很欣慰自己做了这件事儿，我觉得这才算我真正的Hello world!
代码思路
感觉从代码里学了很多，虽然没有完全消化完。
这份代码，并不算是源代码，怎么说，整个下来一遍，个人觉得，代码里有部分删减痕迹。当然这不是坏处，因为不删减我们可能跑不了，因为可能作者写代码时，基于的是自己的电脑配置，GPU情况等。
整个代码最后给我的感觉是，很严谨，你会发现作者很多地方都在注意tensorflow的版本问题，即注意代码兼容性，对比以前跑过的代码，这可能是比较良心的一个了。
这份代码的本质并不难，就是GAN的本质。首先看G——generator,作用就是输入一个维度定好的噪声向量Z，根据反卷积，当然，是原论文的反卷积框架（PS:我看到的所有的DCGAN的代码解释，都没有说这个框架为什么这样，只是说原论文怎样，这里我没有仔细拜读，就不再解释），反卷积，就是一个上采样，通俗的说一个[1,10]大小的向量怎么变成[256,256]的图片,就是通过上采样实现的，更通俗讲就是不断让它变大，而这里用反卷积实现，它的权重参数等等都是自动学习，也就是，你需要花点功夫考虑反卷积的维度大小的设计和组合，其他的都交给框架和电脑。当然，其中还有激活函数，batch_norm等等细节就不介绍了。对于这些细节我只知道怎么用，知道他们的优点，但为什么用这个不用其他的，我也爱莫能助。最后总结一下：GAN中generotor目的就是生成图片，这里我们只不过把这个过程用反卷积实现了。
作者代码里另外有一个sampler（这里没有细细研究），结构甚至代码和generotor一模一样，不明白他这样设计有啥用，当然，他的作用没有体现在train里面，体现在显示里面了。换句话说，你根据已有的模型或者训练好的模型看生成图片效果，或者训练过程中看效果，它的作用就体现出来了。
D—discriminator算是最简单的了，正常的卷积操作，最后输出结果一个（0—1）评分值。这也是GAN的原理，对于discriminator而言，输入一张图片，网络给他打分，即输出一个数，整个过程跟CNN多像。当然这里DCGAN也确实用了卷积。
优化，论文这里用了Adam，恕我直言，以前我只知道SGD这种东西，学习完，知道这东西还可以加冲量，作用就是穿越峡谷，避免震荡（具体自己学习吧），总的来说就是这里用起来比SGD好。当然，在这之前你要去求网络损失，代码里用交叉熵，它求了两个（GAN原理）,利用D分别去给维度一样的真实图片和生成图片打分，分别和期望分值，前者为1后者为0,求交叉熵，然后构造Adma优化器优化。（这里，我尤记得学过的GAN优化是分别固定G和D的参数去优化另一个，这里用了tesnroflow框架，我着实没有看出这个效果，不过它确实有这个趋势，先优化d_loss再优化g_loss，不过细节没看出来）
ok，你以为完了？不，你前面所有的都是在搭积木，tensorflow的静态图设计理念就是这样，先搭好积木，再去运算。
运算时就涉及到了数据下载，打乱，分batch，然后循环喂给run()，当然，一定循环次数下去保存模型和生成一定维度的样本图片看效果。
大部分过程就这样，有的我可能也没注意到，当然最主要是时间有限，不允许我再花时间再这个上了，具体代码里还有很多关于可视化，参数共享，GPU限速，版本兼容，命令行参数，数据读取，图片处理（等等），这些零碎的东西有兴趣的可以自己看，放在这里太乱了。当然不嫌弃乱的话可以去看我写的md文件——贼乱。
- 补充: 由于我都是线下写的，其他都有图片，放上来不能正常显示，只能放上这两个，而且为什么这排版会变成这样…
来源：CSDN
作者：MoonLer
链接：https://blog.csdn.net/qq_40240102/article/details/86141638