DCGAN生成人脸模型

本项目用DCGAN（Deep Convolution Generative Adversarial Nets）模型，在CelebA人脸数据集上训练，使模型可生成新的人脸图像。

DCGAN的生成器模型图示如下：

1、数据集处理

CelebA人脸数据集包含202599张RGB图片。因为要生成人脸，所以先用截取出人脸的大致位置的区域，再resize到64x64x3，并对图像做归一化处理，使值在[-0.5, 0.5] 范围内。

本项目里的utils.py的get_image()函数，设置face_width = face_height = 150会使得截取到的人脸区域大概位置比较合适。

2、DCGANs训练的技巧

1. 建议每层都使用batched normalization批归一化

2. 建议使用Adam优化算法进行优化参数，学习率为0.0002而不是0.001。

3. 在生成器损失里，求Cross_entropy losses的时候，标签要使用相反的标签

   # 判别器损失
   d_loss = cross_entropy(logits, labels)
   
   # 生成器损失
   # flipped_labels: 0 -> 1 、 1 -> 0
   g_loss = cross_entropy(logits, flipped_labels)

4. 对真实图片求判别器损失时，建议对标签进行平滑化（Labels moothing ）

以下是项目里的损失函数：

#标签平滑化
smooth = 0.1
# 真实图片的判别器LOSS
d_real_loss = tf.reduce_mean(
                 tf.nn.sigmoid_cross_entropy_with_logits(logits = d_logits_real,
                                                         labels = tf.ones_like(d_out_real)*(1-smooth)))

# 生成图片的判别器LOSS
d_fake_loss = tf.reduce_mean(
                 tf.nn.sigmoid_cross_entropy_with_logits(logits = d_logits_fake,
                                                         labels = tf.zeros_like(d_out_fake)))

# 判别器LOSS：二者之和
d_loss = d_real_loss + d_fake_loss

#-----------------------    
   
# 生成器LOSS
g_loss = tf.reduce_mean(
                 tf.nn.sigmoid_cross_entropy_with_logits(logits = d_logits_fake,
                                                         labels = tf.ones_like(d_out_fake)))

3、训练效果

经过5个epoch后，效果如下图显示：