GANs-Vanilla与MiniBatch Discrimination

简介：
本文探讨了生成对抗网络（GAN）中的基础模型Vanilla GAN及其改进版本MiniBatch Discrimination，在比较中分析了后者的性能提升。 这个存储库包含我在PyTorch中的第一个代码实现：一个从头开始构建的GAN（虽然并不是真正的GAN），并且经过训练可以生成类似数字MNIST的数据集图像。我还实现了小批量鉴别，以避免在训练有素的GANS中常见的模式崩溃问题。 以下是使用和不使用小批量判别情况下，GAN产生的输出对比结果。所用网络非常简单（只有一个隐藏层），模型总共训练了20个周期，每个周期批次大小为20，学习率为1e-4。需要注意的是，在此阶段用于实现小批量识别的代码并非最优选择。 从左到右分别是：Vanilla GAN 输出 和 使用Minibatch判别层的GAN输出。 显然，使用小批量鉴别改进了生成数字的质量，但仍然不够逼真。我们可以尝试以下方法来改善这种情况： （a）增加更多网络层次结构。