dcgan

近年来监督学习的cnn发展特别的飞快，本文提出了无监督学习
在无标签数据库中重用一些特征变成了现在的热点。

具体概括

通过gan 来 训练 一组好的图片，然后通过g和d网络来提取特征 做 监督学习

做了2种贡献

• 第一让gan 的网络深度可以训练
• 第二对于无监督学习 提出了训练分类器D做图像分类任务相关的工作

主要的做法

1.在判别器模型中使用strided convolutions来替代空间池化（pooling），而在生成器模型中使用fractional strided convolutions，即deconv，反卷积层。
2.除了生成器模型的输出层和判别器模型的输入层，在网络其它层上都使用了Batch Normalization，使用BN可以稳定学习，有助于处理初始化不良导致的训练问题。
3.去除了全连接层，而直接使用卷积层连接生成器和判别器的输入层以及输出层。
4.在生成器的输出层使用Tanh激活函数，而在其它层使用ReLU；在判别器上使用leaky ReLU。

结构

思路

通过从高维分布的单一向量，进行卷积和上采样，来生成训练的图片，从而达到无监督学习