DCGAN: "Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Network" Notes

- Alec Radford, ICLR2016

原文：https://arxiv.org/abs/1511.06434

论文翻译：https://www.cnblogs.com/lyrichu/p/9054704.html

代码实现：https://github.com/sunshineatnoon/Paper-Implementations/blob/master/dcgan/dcgan.py

ABSTRACT

CNN在监督学习上有着很多的成就，但是在非监督学习上却没有大的进展。

作者将CNN和GAN结合，使得Generator和Discriminator都学习到了很好的层次表达能力（hierarchy representations）和很好的泛化能力（general image representations）。

1 INTRODUCTION

用GAN作为feature extracotrs，从大量未标注的数据中学习到特征表达后，用于监督学习，是一个很热门的研究领域。

GAN提供了一个替代最大似然的技术，但学习过程缺乏启发式成本函数（heuristic cost function），例如像素独立均方误差（pixel-wise independent mean-square error）。

GAN有一个问题就是训练非常不稳定，常常得到没有意义的结果。

2 RELATED WORK

3 APPROACH AND MODEL ARCHITECTURE

4 DETAILS OF ADVERSARIAL TRAINING

5 EMPIRICAL VALIDATION OF DCGANs CAPABILITIES

6 INVESTIGATING AND VISUALIZING THE INTERNALS OF THE NETWORKS

7 CONCLUSION AND FUTURE WORK