图像分类案例2
与案例1不同，图像更高更宽，且尺寸不一。
切分验证集，更多的图像增广操作，定义模型时采取 “微调” 的思路。
GAN
Generative Adversarial Networks （生成对抗神经网络）
-
生成式学习:
没有特征，给定数据集，学习这个数据集，然后生成一些数据（他们不属于这个数据集，但和这个数据集非常相似）
-
定义：
用判定模型来 提高生成模型的能力，分类器无法分别数据到底是数据集的，还是生成器生成的。
GAN模型就是让生成器和分类器进行对抗。
-
损失函数：
-
分类器
分类器是一个标准的二分类，其损失函数是交叉熵函数，接近1就是真实数据集，接近0就是从生成器生成的。 -
生成器
从一个高斯分布随机采样，训练函数为最大化交叉熵，因为要生成更符合真实分布的数据。
-
-
技巧：
将生成器的损失函数改成min(log)， 可以避免梯度消失的情况。
DCGAN
Deep Convolutional Generative Adversarial Networks
应用了深层卷积网络的GAN
-
数据集
要将运用totensor转换的数据进行归一化处理，从[0,1]变成[-1,1]，这样才能让输出数据与输入数据的格式匹配。
-
生成器
有转置卷积层，可使尺寸变大，通过不同的卷积核、步长等，可把输出格式设置成自己想要的尺寸。
有4个基本块。 -
判别器
是一个标准的卷积神经网络，用了Leaky Rule做激活函数，与Rule相比，不是简单地把负数变为0，而是把他变成αx。
-
训练过程
与GAN基本类似