TensorFlow 中的 DCGAN

基于 深度卷积生成对抗网络 的 TensorFlow 实现，这是一种更稳定的生成对抗网络。参考的 Torch 代码可以在 这里 找到。

• Brandon Amos 基于本仓库编写了一篇优秀的 博客文章 和 图像补全代码。
• 为避免判别器（D）网络过快收敛，生成器（G）网络在每次更新判别器网络时会更新两次，这与原始论文有所不同。

在线演示

链接

先决条件

• Python 2.7 或 Python 3.3+
• TensorFlow 0.12.1
• SciPy
• Pillow
• tqdm
• （可选）moviepy（用于可视化）
• （可选）对齐并裁剪后的图片.zip：大规模名人面部数据集

使用方法

首先，使用以下命令下载数据集：

$ python download.py mnist celebA

然后，使用下载的数据集训练模型：

$ python main.py --dataset mnist --input_height=28 --output_height=28 --train
$ python main.py --dataset celebA --input_height=108 --train --crop

若要使用已有的模型进行测试：

$ python main.py --dataset mnist --input_height=28 --output_height=28
$ python main.py --dataset celebA --input_height=108 --crop

或者，您也可以使用自己的数据集（不进行中心裁剪）：

$ mkdir data/DATASET_NAME
... 将图片添加到 data/DATASET_NAME ...
$ python main.py --dataset DATASET_NAME --train
$ python main.py --dataset DATASET_NAME
$ # 示例
$ python main.py --dataset=eyes --input_fname_pattern="*_cropped.png" --train

如果您的数据集位于不同的根目录下：

$ python main.py --dataset DATASET_NAME --data_dir DATASET_ROOT_DIR --train
$ python main.py --dataset DATASET_NAME --data_dir DATASET_ROOT_DIR
$ # 示例
$ python main.py --dataset=eyes --data_dir ../datasets/ --input_fname_pattern="*_cropped.png" --train

结果

celebA

第 6 轮 epoch 后：

第 10 轮 epoch 后：

亚洲人脸数据集

MNIST

MNIST 相关代码由 @PhoenixDai 编写。

更多结果可以查看 这里 和 这里。

训练细节

判别器和生成器损失的详细信息（使用非 celebA 的自定义数据集）。

判别器真实与虚假结果直方图的详细信息（使用非 celebA 的自定义数据集）。

相关工作

• BEGAN-tensorflow
• DiscoGAN-pytorch
• simulated-unsupervised-tensorflow

作者

Taehoon Kim / @carpedm20

DCGAN-tensorflow 快速上手指南

DCGAN-tensorflow 是深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Networks）的 TensorFlow 实现，用于稳定地生成高质量图像。本指南将帮助你快速配置环境并运行模型。

环境准备

在开始之前，请确保你的系统满足以下要求：

• 操作系统: Linux, macOS 或 Windows
• Python 版本: Python 2.7 或 Python 3.3+
• 核心框架: TensorFlow 0.12.1 (注意：此项目基于较旧版本的 TF，若使用新版 TF 可能需要修改代码)
• 必要依赖库:
  • SciPy
  • pillow
  • tqdm
• 可选依赖库 (用于可视化或特定数据集):
  • moviepy
  • CelebA 数据集 (需手动下载对齐裁剪后的图片)

提示: 国内用户建议使用清华源或阿里源加速 pip 包的安装。

安装步骤

1. 安装 Python 依赖 使用 pip 安装所需库。推荐使用国内镜像源以提高下载速度：

   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==0.12.1 scipy pillow tqdm
   

   (注：如果需要可视化功能，可额外安装 moviepy)

2. 克隆项目代码 从 GitHub 获取源代码：

   git clone https://github.com/carpedm20/DCGAN-tensorflow.git
   cd DCGAN-tensorflow
   

3. 下载数据集 项目内置了下载脚本，可自动获取 MNIST 或 CelebA 数据集：

   python download.py mnist celebA
   

基本使用

1. 训练模型

使用下载好的数据集开始训练。以下是两个最常用的示例：

训练 MNIST 数据集：

python main.py --dataset mnist --input_height=28 --output_height=28 --train

训练 CelebA 人脸数据集：

python main.py --dataset celebA --input_height=108 --train --crop

2. 测试/生成图像

使用已训练好的模型生成新图像（无需 --train 参数）：

测试 MNIST 模型：

python main.py --dataset mnist --input_height=28 --output_height=28

测试 CelebA 模型：

python main.py --dataset celebA --input_height=108 --crop

3. 使用自定义数据集

如果你有自己的图片数据，请按以下步骤操作：

1. 在 data 目录下创建以数据集命名的文件夹（例如 eyes）：

   mkdir data/eyes
   

2. 将图片放入该文件夹。

3. 运行训练命令（支持指定文件名模式和数据根目录）：

   # 基础用法
   python main.py --dataset eyes --train
   
   # 指定文件名模式
   python main.py --dataset=eyes --input_fname_pattern="*_cropped.png" --train
   
   # 指定数据存放的根目录
   python main.py --dataset=eyes --data_dir ../datasets/ --train
   

训练完成后，生成的样本和检查结果通常保存在 samples 或 checkpoint 相关目录中。