个人GAN训练的性能迭代

使用GAN进行生成图片

损失函数的迭代

DCGAN->Wasserstein GAN-> Wasserstein GAN + Gradient Penalty

Discriminator训练代码编写的细节：真图像和假图像要分批送入Discriminator，分批计算梯度（后面算出的梯度会累加到前面的梯度上面）。

模型的迭代

Upsample Method

Transposed convolutional layer有Checkerboard问题，但效果尚可。

Upsample layer运算量大，效果一般。

Subpixel layer效果暂时不好。

训练方法的迭代

1. 一个Epoch中Discriminator和Generator各训练一次->一个Epoch中Discriminator训练多次，提升精度；Generator训练一次。
2. 使用WGAN+GP则Generator不要Batch Normalization。