【Keras+计算机视觉+Tensorflow】DCGAN对抗生成网络在MNIST手写数据集上实战（附源码和数据集 超详细）

需要源码和数据集请点赞关注收藏后评论区留言私信~~~

一、生成对抗网络的概念

生成对抗网络(GANs，Generative Adversarial Nets),由Ian Goodfellow在2014年提出的,是当今计算机科学中最有趣的概念之一。GAN最早提出是为了弥补真实数据的不足，生成高质量的人工数据。GAN的主要思想是通过两个模型的对抗性训练。随着训练过程的推进，生成网络（Generator，G）逐渐变得擅长创建看起来真实的图像，而判别网络（Discriminator，D）则变得更擅长区分真实图像和生成器生成的图像。GAN网络不局限于提高单一网络的性能，而是希望实现生成器和鉴别器之间的纳什均衡。

假设在低维空间Z存在一个简单容易采样的分布p(z)，例如正态分布 ，生成网络构成一个映射函数G：Z→X，判别网络需要判别输入是来自真实数据X_real还是生成网络生成的数据X_fake，结构示意图如图8-1所示

下面给出DCGAN利用LSUN数据库生成卧室样本的例子和生成人脸样本的例子，虽然DCGAN还难以生成高精度的图像样本，但这样的结果已经足够让世人感到惊艳

二、DCGAN在MNIST手写数据集上实战

通过本程序可以完成两个模型的训练。一个是生成模型，一个是判别模型

1：项目结构如下 

代码大致可以分为以下几部分

1：构建生成网络

2：构建判别网络

3：DCGAN网络训练

开始下载模型