深度卷积生成对抗网络DGCN_深度卷积对抗生成网络

任务描述

本关任务：掌握DGCN生成对抗网络的基本思想和网络结构。

相关知识

为了完成本关任务，你需要掌握：1.深度卷积神经网络，2.深度卷积生成对抗网络。

深度卷积神经网络

CNN卷积神经网络可以说是传统神经网络的一个改进，它依然采用层次结构，只是层的功能和形式做了变化。与传统神经网络不同，CNN使用卷积构建网络层来进行信息提取。 一个典型的卷积神经网络层包括如下的结构： • 数据输入层/ Input layer • 卷积计算层/ CONV layer • ReLU激励层 / ReLU layer • 池化层 / Pooling layer • 全连接层 / FC layer 在这个层级中最重要且与之前网络不同的表示卷积层，这也是“卷积神经网络”的名字来源。 在卷积层中，有两个关键操作：局部关联。每个神经元看做一个滤波器(filter)；窗口(receptive field)滑动，filter对局部数据计算。下面是它进行计算的过程示意图：

上图中蓝色矩阵就是输入的图像，粉色矩阵就是卷积层的神经元，这里表示了有两个神经元（w0,w1）。绿色矩阵就是经过卷积运算后的输出矩阵，这里的步长设置为2。 蓝色的矩阵(输入图像)对粉色的矩阵（filter）进行矩阵内积计算并将三个内积运算的结果与偏置值b相加（比如上面图的计算：2+（-2+1-2）+（1-2-2） + 1= 2 - 3 - 3 + 1 = -3），计算后的值就是绿框矩阵的一个元素。 我们正是使用了这样的一种计算方式对输入进行特征提取，并不断加深，加宽网络从而获取更有效的特征表示。 与此同时，卷积还存在另一种特殊结构，反卷积transport-convolution。反卷积对于一个2x2的输入信号，经过3x3 的filters，产生了4x4的feature map。从小的维度产生大的维度，所以transport-convolution又称为上采样卷积。它通常被用来恢复特征的图的大小时使用。 下图为使用多层卷积构成的深度卷积神经网络VGG:

深度卷积生成对抗网络

深度卷积生成对抗网络就是将生成式对抗网络GAN中的生成器G和判别器D中的多层感知机用改进后的卷积神经网络CNN替代形成的。与普通的卷积神经网络不同，它具有如下的特点：

1. 用步长卷积（判别器）和微步长卷积（生成器）替代任何池化层；
2. 在生成器和判别器中均使用批规范化；
3. 为更深层次的架构移除全连接的隐藏层；
4. 在生成器中，输出层使用Tanh，其余层均使用ReLU激活；
5. 在判别器中，所有层均使用LeakyReLU激活。

它的生成器结构如图：

我们下面使用pytorch构成DCGANs生成器结构：

1. class Generator(nn.Module):
2. def __init__(self, len_Z, hidden_channal, output_channal):
3. super(Generator, self).__init__()
5. self.layer1 = nn.Sequential(
6. nn.ConvTranspose2d(
7. in_channels=len_Z,
8. out_channels=hidden_channal * 4,
9. kernel_size=4,
10. ),
11. nn.BatchNorm2d(hidden_channal * 4),
12. nn.ReLU()
13. )
14. # [BATCH, hidden_channal * 4 , 4, 4]
15. self.layer2 = nn.Sequential(
16. nn.ConvTranspose2d(
17. in_channels=hidden_channal * 4,
18. out_channels=hidden_channal * 2,
19. kernel_size=3, # 保证生成图像大小为28
20. stride=2,
21. padding=1
22. ),
23. nn.BatchNorm2d(hidden_channal * 2),
24. nn.ReLU()
25. )
26. #
27. self.layer3 = nn.Sequential(
28. nn.ConvTranspose2d(
29. in_channels=hidden_channal * 2,
30. out_channels=hidden_channal,
31. kernel_size=4,
32. stride=2,
33. padding=1
34. ),
35. nn.BatchNorm2d(hidden_channal),
36. nn.ReLU()
37. )
39. self.layer4 = nn.Sequential(
40. nn.ConvTranspose2d(
41. in_channels=hidden_channal,
42. out_channels=output_channal,
43. kernel_size=4,
44. stride=2,
45. padding=1
46. ),
47. nn.Tanh()
48. )
50. def forward(self, x):
51. # [50, 100, 1, 1]
52. out = self.layer1(x)
53. # [50, 256, 4, 4]
54. # print(out.shape)
55. out = self.layer2(out)
56. # [50, 128, 7, 7]
57. # print(out.shape)
58. out = self.layer3(out)
59. # [50, 64, 14, 14]
60. # print(out.shape)
61. out = self.layer4(out)
62. # print(out.shape)
63. # [50, 1, 28, 28]
64. return out

判别器网络结构为生成器的反向结构，使用卷积完成网络构建，我们给出关键代码：

1. class Discriminator(nn.Module):
2. def __init__(self, input_channal, hidden_channal):
3. super(Discriminator, self).__init__()
4. self.layer1 = nn.Sequential(
5. nn.Conv2d(
6. in_channels=input_channal,
7. out_channels=hidden_channal,
8. kernel_size=4,
9. stride=2,
10. padding=1
11. ),
12. nn.BatchNorm2d(hidden_channal),
13. nn.LeakyReLU(0.2)
14. )
15. self.layer2 = nn.Sequential(
16. nn.Conv2d(
17. in_channels=hidden_channal,
18. out_channels=hidden_channal * 2,
19. kernel_size=4,
20. stride=2,
21. padding=1
22. ),
23. nn.BatchNorm2d(hidden_channal * 2),
24. nn.LeakyReLU(0.2)
25. )
27. self.layer3 = nn.Sequential(
28. nn.Conv2d(
29. in_channels=hidden_channal * 2,
30. out_channels=hidden_channal * 4,
31. kernel_size=3,
32. stride=2,
33. padding=1
34. ),
35. nn.BatchNorm2d(hidden_channal * 4),
36. nn.LeakyReLU(0.2)
37. )
39. self.layer4 = nn.Sequential(
40. nn.Conv2d(
41. in_channels=hidden_channal * 4,
42. out_channels=1,
43. kernel_size=4,
44. stride=1,
45. padding=0
46. ),
47. nn.Sigmoid()
48. )
49. # [BATCH, 1, 1, 1]
51. def forward(self, x):
52. # print(x.shape)
53. out = self.layer1(x)
54. # print(out.shape)
55. out = self.layer2(out)
56. # print(out.shape)
57. out = self.layer3(out)
58. # print(out.shape)
59. out = self.layer4(out)
61. return out

编程要求

根据提示，在右侧编辑器填写判别器，生成器函数,过程包括：

1. 使用卷积神经网络构建生成器网络
2. 使用卷积神经网络构建判别器网路
3. 调用生成器和判别器，并打印网络模型

注，参数设置如下：

1. # 生成器输入的通道
2. len_Z = 100
3. # 生成器的隐藏层通道
4. g_hidden_channal = 64
5. # 判别器的隐藏层通道
6. d_hidden_channal = 64
7. # 图片的通道
8. image_channal = 1
9. # 调用使用cpu
10. device = torch.device("cpu")
11. print(G)
12. print(D)

测试说明

平台会对你编写的代码进行测试：

预期输出：

Generator(
  (layer1): Sequential(
    (0): ConvTranspose2d(100, 256, kernel_size=(4, 4), stride=(1, 1))
    (1): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    (2): ReLU()
  )
  (layer2): Sequential(
    (0): ConvTranspose2d(256, 128, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1))
    (1): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    (2): ReLU()
  )
  (layer3): Sequential(
    (0): ConvTranspose2d(128, 64, kernel_size=(4, 4), stride=(2, 2), padding=(1, 1))
    (1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    (2): ReLU()
  )
  (layer4): Sequential(
    (0): ConvTranspose2d(64, 1, kernel_size=(4, 4), stride=(2, 2), padding=(1, 1))
    (1): Tanh()
  )
)
Discriminator(
  (layer1): Sequential(
    (0): Conv2d(1, 64, kernel_size=(4, 4), stride=(2, 2), padding=(1, 1))
    (1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    (2): LeakyReLU(negative_slope=0.2)
  )
  (layer2): Sequential(
    (0): Conv2d(64, 128, kernel_size=(4, 4), stride=(2, 2), padding=(1, 1))
    (1): BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    (2): LeakyReLU(negative_slope=0.2)
  )
  (layer3): Sequential(
    (0): Conv2d(128, 256, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1))
    (1): BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
    (2): LeakyReLU(negative_slope=0.2)
  )
  (layer4): Sequential(
    (0): Conv2d(256, 1, kernel_size=(4, 4), stride=(1, 1))
    (1): Sigmoid()
  )
)

参考代码：

import torch
import torch.nn as nn
import torchvision
 
#########Begin########
# 生成器模型
class Generator(nn.Module):
##########End#########
    def __init__(self, len_z, hidden_channal, output_channal):
        super(Generator, self).__init__()
        self.layer1 = nn.Sequential(
            nn.ConvTranspose2d(
                in_channels = len_z,
                out_channels = hidden_channal * 4,
                kernel_size = 4
            ),
            nn.BatchNorm2d(hidden_channal * 4),
            nn.ReLU()
        )
        self.layer2 = nn.Sequential(
            nn.ConvTranspose2d(
                in_channels=hidden_channal * 4,
                out_channels=hidden_channal * 2,
                kernel_size=3,  # 保证生成图像大小为28
                stride=2,
                padding=1
            ),
            nn.BatchNorm2d(hidden_channal * 2),
            nn.ReLU()
        )
        self.layer3 = nn.Sequential(
            nn.ConvTranspose2d(
                in_channels=hidden_channal * 2,
                out_channels=hidden_channal,
                kernel_size=4,
                stride=2,
                padding=1
            ),
            nn.BatchNorm2d(hidden_channal),
            nn.ReLU()
        )
        self.layer4 = nn.Sequential(
            nn.ConvTranspose2d(
                in_channels=hidden_channal,
                out_channels=output_channal,
                kernel_size=4,
                stride=2,
                padding=1
            ),
            nn.Tanh()
        )
 
    def forward(self, x):
        out = self.layer1(x)
        out = self.layer2(x)
        out = self.layer3(x)
        out = self.layer4(x)
        return out
        
#########Begin########
# 判别器模型
class Discriminator(nn.Module):
    def __init__(self, input_channal, hidden_channal):
        super(Discriminator, self).__init__()
        self.layer1 = nn.Sequential(
            nn.Conv2d(
                in_channels = input_channal,
                out_channels = hidden_channal,
                kernel_size = 4,
                stride = 2,
                padding = 1
            ),
            nn.BatchNorm2d(hidden_channal),
            nn.LeakyReLU(0.2)
        )
        self.layer2 = nn.Sequential(
            nn.Conv2d(
                in_channels=hidden_channal,
                out_channels=hidden_channal * 2,
                kernel_size=4,
                stride=2,
                padding=1
            ),
            nn.BatchNorm2d(hidden_channal * 2),
            nn.LeakyReLU(0.2)
        )
        self.layer3 = nn.Sequential(
            nn.Conv2d(
                in_channels=hidden_channal * 2,
                out_channels=hidden_channal * 4,
                kernel_size=3,
                stride=2,
                padding=1
            ),
            nn.BatchNorm2d(hidden_channal * 4),
            nn.LeakyReLU(0.2)
        )
        self.layer4 = nn.Sequential(
            nn.Conv2d(
                in_channels=hidden_channal * 4,
                out_channels=1,
                kernel_size=4,
                stride=1,
                padding=0
            ),
            nn.Sigmoid()
        )
    
    def forward(self, x):
        out = self.layer1(x)
        out = self.layer2(x)
        out = self.layer3(x)
        out = self.layer4(x)
        return out
 
##########End#########
 
# 参数设置
len_Z = 100  # random input.channal for Generator
g_hidden_channal = 64
d_hidden_channal = 64
image_channal = 1  # mnist数据为黑白的只有一维
 
#########Begin########
# 调用模型
G = Generator(len_Z, g_hidden_channal, image_channal)
D = Discriminator(image_channal, d_hidden_channal)
##########End#########
device = torch.device("cpu")
print(G)
print(D)