CGAN and DCGAN代码实现

CGAN
首先实现CGAN。下面分别是 判别器 和 生成器 的网络结构，可以看出网络结构非常简单，具体如下：

生成器：(784 + 10) ==> 512 ==> 256 ==> 1
判别器：(100 + 10) ==> 128 ==> 256 ==> 512 ==> 784
可以看出，去掉生成器和判别器那 10 维的标签信息，和普通的GAN是完全一样的。下面是网络的具体实现代码：

class Discriminator(nn.Module):
	'''全连接判别器，用于1x28x28的MNIST数据,输出是数据和类别'''
	def __init__(self):
		super(Discriminator, self).__init__()
		self.model = nn.Sequential(
			  nn.Linear(28*28+10, 512),
			  nn.LeakyReLU(0.2, inplace=True),
			  nn.Linear(512, 256),
			  nn.LeakyReLU(0.2, inplace=True),
			  nn.Linear(256, 1),
			  nn.Sigmoid()
		)
  
	def forward(self, x, c):
		x = x.view(x.size(0), -1)
		validity = self.model(torch.cat([x, c], -1))
		return validity

class Generator(nn.Module):
	'''全连接生成器，用于1x28x28的MNIST数据，输入是噪声和类别'''
	def __init__(self, z_dim):
		super(Generator, self).__init__()
		self.model = nn.Sequential(
			  nn.Linear(z_dim+10, 128),
			  nn.LeakyReLU(0.2, inplace=True),
			  nn.Linear(128, 256),
			  nn.BatchNorm1d(256, 0.8),
			  nn.LeakyReLU(0.2, inplace=True),
			  nn.Linear(256, 512),
			  nn.BatchNorm1d(512, 0.8),
			  nn.LeakyReLU(0.2, inplace=True),
			  nn.Linear(in_features=512, out_features=28*28),
			  nn.Tanh()
	 	)

	def forward(self, z, c):
		x = self.model(torch.cat([z, c], dim=1))
		x = x.view(-1, 1, 28, 28)
		return x

下面我们用随机噪声生成一组图像，看看CGAN的效果：

DCGAN
下面我们实现DCGAN。下面分别是 判别器 和 生成器 的网络结构，和之前类似，只是使用了卷积结构。

下面我们用一组随机噪声输出图像，看看DCGAN的效果：