Simple DCGAN and ProgressiveGAN Implementation and GAN Testing GUI

實現基本DCGAN與ProgressiveGAN，與製作GUI測試訓練成果。

2 模型及訓練參數

2-1 DCGAN

2-1-1 Generator設計

1. FC : 全連接層，輸入8192，輸出4096。啟動函數LeakyReLU(alpha=0.01)。
2. Reshape : 將輸入4096改為3維36464，已便使用捲積計算。
3. CONV Transpose : 反捲積層，輸入6488，128個44 kernel，stride為2, padding為1，輸出為12816*16。啟動函數LeakyReLU(alpha=0.02)。
4. CONV Transpose : 反捲積層，輸入1281616，256個44 kernel，stride為2, padding為1，輸出為25632*32。啟動函數LeakyReLU(alpha=0.02)。
5. CONV Transpose : 反捲積層，輸入2563232，512個44 kernel，stride為2, padding為1，輸出為51264*64。啟動函數LeakyReLU(alpha=0.02)。
6. CONV Transpose : 捲積層，輸入5126464，3個55 kernel，stride為1, padding為2，輸出為364*64。啟動函數使用Sigmoid。

3-2-1-2 Discriminator設計

1. CONV : 反捲積層，輸入36464，128個44 kernel，stride為2, padding為1，輸出為6432*32啟動函數LeakyReLU(alpha=0.02)。
2. CONV : 反捲積層，輸入643232，256個44 kernel，stride為2, padding為1，輸出為12816*16。啟動函數LeakyReLU(alpha=0.02)。
3. CONV : 反捲積層，輸入1281616，512個44 kernel，stride為2, padding為1，輸出為2568*8。啟動函數LeakyReLU(alpha=0.02)。
4. CONV : 捲積層，輸入25688，3個44 kernel，stride為2, padding為1，輸出為5124*4。啟動函數使用Sigmoid。
5. Reshape : 將輸入51244改為1維8192。
6. FC : 全連接層，輸入8192，輸出1。啟動函數Sigmoid。Dropout設0.2。

2-1-3 模型訓練結果

2-2 ProgressiveGAN

3-2-2-1 Generator設計

3-2-2-2 Discriminator設計

3-2-2-3 模型訓練結果

訓練結果

DCGAN: (https://imgur.com/kZdczmj)

ProgressiveGAN: (https://imgur.com/RJEhTRG)

3 GUI 程式

參考資料

[1] Alec Radford, Luke Metz, Soumith Chintala. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks. abs/1511.06434, 2016.

[2] another anime face dataset, 2021 .URL https://www.kaggle.com/datasets/scribbless/another-anime-face-dataset

[3] Tero Karras, Timo Aila, Samuli Laine, Jaakko Lehtinen. Progressive Growing of GANs for Improved Quality, Stability, and Variation. abs/1710.10196, 2018.