1. GAN简介
此GAN饭人非彼干饭人。本文要讲的GAN是Goodfellow2014提出的生成产生对抗模型，即GeneRative AdveRsaRial Nets。那么GAN到底有什么神奇的地方?
常规的深度学习任务如图像分类，目标检测以及语义分割或者实例分割，这些任务的结果都可以归结为预测。图像分类是预测单一的类别，目标检测是预测bbox和类别，语义分割或者实例分割是预测每个像素的类别。而GAN是生成一个新的东西如一个图片。
GAN的原理用一句话来说明：
通过对抗的方式，去学习数据分布的生成式模型。GAN是无监督的过程，能够捕捉数据集的分布，以便于可以从随机噪声中生成同样分布的数据
GAN的组成：判别式模型和生成式模型的左右手博弈
D判别式模型：学习真假边界，判断数据是真的还是假的 G生成式模型：学习数据分布并生成数据
GAN经典的loSS如下（MinMax体现的就是对抗）
2. 实战cycleGAN 风格转换
了解了GAN的作用，来体验的GAN的神奇效果。这里以cycleGAN为例子来实现图像的风格转换。所谓的风格转换就是改变原始图片的风格，如下图左边是原图，中间是风格图（梵高画），生成后是右边的具有梵高风格的原图，可以看到总体上生成后的图保留大部分原图的内容。
2.1 cycleGAN简介
cycleGAN本质上和GAN是一样的，是学习数据集中潜在的数据分布。GAN是从随机噪声生成同分布的图片，cycleGAN是在有意义的图上加上学习到的分布从而生成另一个领域的图。cycleGAN假设image-to-image的两个领域存在的潜在的联系。
众所周知，GAN的映射函数很难保证生成图片的有效性。cycleGAN利用cycle consistency来保证生成的图片与输入图片的结构上一致性。我们看下cycleGAN的结构：
特点总结如下：
两路GAN：两个生成器[ G：X->Y , F：Y->X ] 和两个判别器[Dx, Dy], G和Dy目的是生成的对象，Dy（正类是Y领域）无法判别。同理F和Dx也是一样的。 cycle consistency：G是生成Y的生成器， F是生成X的生成器，cycle consistency是为了约束G和F生成的对象的范围， 是的G生成的对象通过F生成器能够回到原始的领域如：x->G(x)->F(G(x))=x
对抗loSS如下：
2.2 实现cycleGAN
2.2.1 生成器
从上面简介中生成器有两个生成器，一个是正向，一个是反向的。结构是参考论文PeRceptual LoSSes foR Real-TiMe style TRansfeR and SupeR-Resolution: SuppleMentaRy MateRial。大致可以分为：下采样 + Residual 残差block + 上采样，如下图（摘自论文）：
实现上下采样是stRide=2的卷积， 上采样用nn.UpsaMple：
# 残差block claSS ResidualBlock(nn.module): def __inIT__(self, in_featuRes): supeR(ResidualBlock, self).__inIT__() self.block = nn.Sequential( nn.ReflectionPad2d(1), nn.Conv2d(in_featuRes, in_featuRes, 3), nn.InstancEnoRM2d(in_featuRes), nn.ReLU(inplACE=TRue), nn.ReflectionPad2d(1), nn.Conv2d(in_featuRes, in_featuRes, 3),