keras 实现GAN（生成对抗网络）_keras gan

本文将介绍如何在Keras中以最小的形式实现GAN。具体实现是一个深度卷积GAN，或DCGAN：一个GAN，其中generator和discriminator是深度卷积网络，它利用`Conv2DTranspose`层对generator中的图像上采样。
然后将在CIFAR10的图像上训练GAN，CIFAR10数据集由属于10个类别（每个类别5,000个图像）的50,000个32x32 RGB图像构成。为了节约时间，本文将只使用“frog”类的图像。
原理上，GAN的组成如下所示：
 *`generator`网络将shape`（latent_dim，）`的矢量映射到shape`（32,32,3）`的图像。
*“discriminator”网络将形状（32,32,3）的图像映射到估计图像是真实的概率的二进制分数。
 *`gan`网络将generator和discriminator链接在一起：`gan（x）=discriminator（generator（x））`。因此，这个“gan”网络将潜在空间向量映射到discriminator对由generator解码的这些潜在向量的真实性的评估。
*使用真实和虚假图像以及“真实”/“假”标签来训练鉴别器，因此需要训练任何常规图像分类模型。
 *为了训练generator，我们使用generator权重的梯度来减少“gan”模型的损失。这意味着，在每个step中，将generator的权重移动到使得discriminator更可能被分类为由generator解码的图像“真实”的方向上。即训练generator来欺骗discriminator。