# DCGAN

**Repository Path**: olivegame/dcgan

## Basic Information

- **Project Name**: DCGAN
- **Description**: DCGAN代码实现
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-11-06
- **Last Updated**: 2025-11-06

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# DCGAN

#### 介绍
DCGAN代码实现


#### 使用说明

1.  在原始的 GAN 网络使用 CNN 来替代全连接层，提高模型能力

2.  在 .pptx 文件下含有原理说明

3.  在 CelebA 数据集进行训练，使用 img_align_celeba.zip 数据子集进行训练，数据连接：[CelebA Datase](https://mmlab.ie.cuhk.edu.hk/projects/CelebA.html)

4.  相较于原来的 GAN 代码，[link](https://gitee.com/olivegame/gan)，DCGAN 代码添加了 断点训练、分布式训练 功能：

- 比如在指定单机的多 GPU 上进行训练：
```
CUDA_VISIBLE_DEVICES=3,4 torchrun --nproc_per_node=2 --master_port=29501 dcgan.py
```

- 比如恢复断点训练 50 个 epoch：

```
CUDA_VISIBLE_DEVICES=3,4 torchrun --nproc_per_node=2 
    --master_port=29501 dcgan.py \
    --resume /data/xjh/code/DCGAN/save/checkpoint.pth \
    --n_epochs 50
```

#### 训练结果

1.  GAN 模型具有训练不稳定的特性，比如在 batch_size = 128 训练 200 个 epoch，初始前 20 个 epoch 稳定，但后续造成判别器优势，生成器无法拟合：

![输入图片说明](optimized_training_curves_200.png)

- 训练前期能较好生成图片：

![输入图片说明](code/images/10500.png)

- 但是在训练后期生成器训练失败无法生成良好图片：

![输入图片说明](code/images/99000.png)

2.  在使用两块 GPU 进行训练，batch_size = 128, 而 epoch = 50 轮模型训练结果在 30 个 epoch 之后趋于稳定：

![输入图片说明](optimized_training_curves_50.png)

3.  在 cereate_picture.py 文件可以利用训练的权重预测生成 fake pictures：

![输入图片说明](code/create/fake_samples_30_double.png)