生成的猫非常多样化，而且没有明显的 mode collapse，这是相对 WGAN 的一个重大改进。但是，生成猫的外观非常模糊，就像高分辨率图片被变成低分辨率了一样，我不知道这是什么原因。可能是 Wasserstein loss 的特点。我想使用不同的学习率和架构可能有所帮助。这需要进一步的尝试，肯定还有很大的潜力。

WGAN-GP 生成的猫猫

LSGAN（最小二乘GAN）

LSGAN 是一种比较不同的方法，我们尝试将鉴别器输出和其指定的标签之间的平方距离最小化。Xudong Mao（毛旭东）等人的原始 LSGAN 论文中建议使用：在鉴别器 update 中使1为真实图像，0为伪造图像，然后在生成器 update 中使1为伪造图像，0为真实图像。但是 Hejlm 等人的论文建议使用：在鉴别器 update 中使1为真实图像，0为伪造图像，但在生成器update中使.50作为伪造图像来寻找边界。

我没有时间进行完整的运行，但 LSGAN 总体相当稳定，并且输出的猫非常漂亮。虽然一般情况下是稳定的，但又一次，损失和梯度崩溃了，生成的别说猫了，啥也没有。你可以看下面的 epoch 31 和 32：

因此，它不是绝对稳定的，可能会崩溃造成非常糟糕的结果。为 Adam 优化器选择更好的超参数可能有助于防止这种情况。你不需要像 DCGAN 那样调整学习率，但如果出故障（可能很少见），生成的猫咪还是非常好看的。

后记：LSGAN 的第一作者 Xudong Mao 发给我一张128×128分辨率的 LSGAN 生成的猫的图像，证明 LSGAN 可以生成跟 DCGAN 一样好的图，甚至更好。结果如下面这张图：

开源代码：https://github.com/AlexiaJM/Deep-learning-with-cats

数据集：CAT Dataset：https://web.archive.org/web/20150703060412/http://137.189.35.203/WebUI/CatDatabase/catData.html

相关论文：

1. Radford A, Metz L, Chintala S. Unsupervised representation learning with deep convolutional generative adversarial networks[J]. arXiv preprint arXiv:1511.06434, 2015.

2. Arjovsky M, Chintala S, Bottou L. Wasserstein gan[J]. arXiv preprint arXiv:1701.07875, 2017.

3. Gulrajani I, Ahmed F, Arjovsky M, et al. Improved training of wasserstein gans[J]. arXiv preprint arXiv:1704.00028, 2017.

4. Mao X, Li Q, Xie H, et al. Least squares generative adversarial networks[J]. arXiv preprint ArXiv:1611.04076, 2016.

原文：https://ajolicoeur.wordpress.com/cats/