簡介
這里的生成式網絡是廣義的生成式，不僅僅指gan網絡，還有風格遷移中的類自編碼器網絡，以及語義分割中的類自編碼器網絡，因為遇到次數比較多，所以簡單的記錄一下。
背景
1、像素和數字
圖像處理目標一般就是RGB三色通道，原始圖像解碼后是0~255，這個矩陣傳給matplotlib就可以直接繪圖了，與此同0~1的圖像matplotlib也是可以接受的，關於這點，我們來看看文檔是怎么說的，
Elements of RGB and RGBA arrays represent pixels of an MxN image.
All values should be in the range [0 .. 1] for floats or
[0 .. 255] for integers. Out-of-range values will be clipped to
these bounds.
即使0~1也能夠使用，我們常用的還是0~255的數據。
2、生成式網絡輸出的限制
生成式網絡不同於分類網絡，其輸出的目標是圖像，對照上面也就是0~255范圍（這個更常用）的矩陣，這就意味着網絡的輸出有所限制的，且是不同於分類網絡全部限制於0~1或者-1~1的，正如分類網絡的sigmoid或者softmax一樣，我們會在最后一個卷積/轉置卷積層后采取一些操作保證輸出滿足圖像的要求。
實際思路
輸入圖像為了保證可以被用於loss，需要和輸出圖像的值域相同，所以有兩個思路：
- 輸入圖像值壓縮到-1~1附近
- 輸出圖像值放大到0~255
gan網絡中
我們采用方式為：原像素數據除以127.5減去1的操作，使得輸出值保持在-1~1之間，可以配合sigmoid激活函數進行學習
實際測試一下，我們將這里的預處理(TFR_process.py)做一下調整，使得值不再被壓縮，
'''圖像預處理''' # image_decode = tf.cast(image_decode, tf.float32)/127.5-1 image_decode = tf.cast(image_decode, tf.float32)
相應的將生成網絡(DCGAN_function.py)作出調整，
h4 = deconv2d(h3, [batch_size, s_h, s_w, c_dim], scope='g_h4') return h4 # tf.nn.tanh(h4)
可以看到結果依舊可以訓練出來，效果如下。
快速風格遷移中
我們采用0~255作為輸入，生成數據仍為0~255（主要分布），然后將輸出數據進一步操作，送入vgg進行loss計算。
此時的生成式網絡最后一層可以不加激活，輸出會自行收斂在目標附近，也可以tanh激活（-1~1）后加1再乘127.5。