DCGAN-generator

1. 1

   Det neurale netværk i et Deep Convolutional Generative Adversarial Network, der transformerer en latent vektor til et syntetisk billede ved hjælp af en sekvens af transponerede convolutionelle lag, batch-normalisering og aktiveringsfunktioner som ReLU.

   • DCGAN-generatoren tager en tilfældig støjvektor som input og producerer et 64x64 RGB-billede. — Radford et al., 2015
   • I træningsprocessen lærer DCGAN-generatoren at generere stadig mere realistiske billeder for at narre diskriminatoren. — Radford et al., 2015

DCGAN-generatoren anvendes i forbindelse med træning af generative adversarial networks, hvor den konkurrerer med en diskriminator. Den bruges typisk til billedgenereringsopgaver, hvor den lærer at producere realistiske billeder fra en latent vektor.

import torch.nn as nn

class DCGANGenerator(nn.Module):
    def __init__(self, latent_dim=100, feature_maps=64, channels=3):
        super().__init__()
        self.main = nn.Sequential(
            nn.ConvTranspose2d(latent_dim, feature_maps*8, 4, 1, 0, bias=False),
            nn.BatchNorm2d(feature_maps*8),
            nn.ReLU(True),
            nn.ConvTranspose2d(feature_maps*8, feature_maps*4, 4, 2, 1, bias=False),
            nn.BatchNorm2d(feature_maps*4),
            nn.ReLU(True),
            nn.ConvTranspose2d(feature_maps*4, feature_maps*2, 4, 2, 1, bias=False),
            nn.BatchNorm2d(feature_maps*2),
            nn.ReLU(True),
            nn.ConvTranspose2d(feature_maps*2, feature_maps, 4, 2, 1, bias=False),
            nn.BatchNorm2d(feature_maps),
            nn.ReLU(True),
            nn.ConvTranspose2d(feature_maps, channels, 4, 2, 1, bias=False),
            nn.Tanh()
        )
    def forward(self, z):
        return self.main(z)

En PyTorch-implementering af en DCGAN-generator, der opskalerer en latent vektor til et billede.

Termen stammer fra artiklen 'Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks' af Radford et al. (2015), der introducerede DCGAN-arkitekturen.

• Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks