Encoder代碼為：
class Encoder(nn.Module): #輸入圖片的大小isize、噪聲的維度nz=100、輸入圖片的通道nc=3、ndf=64、 def __init__(self,isize,nz,nc,ndf,ngpu,n_exter_layers=0,add_final_conv=True): super(Encoder,self).__init__() self.ngpu=ngpu # 必須為16倍數 assert isize % 16==0,"isize has to be a multiple of 16" main=nn.Sequential() # 圖片的高寬縮小一倍 main.add_module('initial-conv-{0}-{1}'.format(nc,ndf),nn.Conv2d(nc,ndf,4,2,1,bias=False)) main.add_module('initial-relu-{0}'.format(ndf),nn.LeakyReLU(0.2,inplace=True)) csize,cndf=isize/2,ndf for t in range(n_exter_layers): #在這里面特征寬高不變，通道數也不變 main.add_module('extra-layers-{0}-{1}-conv'.format(t,cndf),nn.Conv2d(cndf,cndf,3,1,1,bias=False)) main.add_module('extra-layers-{0}-{1}-batchnorm'.format(t,cndf),nn.BatchNorm2d(cndf)) main.add_module('extra-layers-{0}-{1}-relu'.format(t,cndf),nn.LeakyReLU(0.2,inplace=True)) # 在特征高寬仍大於4時，就添加縮小一倍高寬，通道增加一倍的卷積塊 while csize>4: in_feat = cndf out_feat = cndf * 2 main.add_module('pyramid-{0}-{1}-conv'.format(in_feat, out_feat),nn.Conv2d(in_feat, out_feat, 4, 2, 1, bias=False)) main.add_module('pyramid-{0}-batchnorm'.format(out_feat),nn.BatchNorm2d(out_feat)) main.add_module('pyramid-{0}-relu'.format(out_feat),nn.LeakyReLU(0.2, inplace=True)) cndf = cndf * 2 csize = csize / 2 # 最后一層卷積，將4*4變為1*1,得到nz = 100的噪聲 if add_final_conv: main.add_module('final-{0}-{1}-conv'.format(cndf, 1),nn.Conv2d(cndf, nz, 4, 1, 0, bias=False)) self.main=main def forward(self,input): if self.ngpu>1: output=nn.parallel.data_parallel(self.main,input,range(self.ngpu)) #在多個gpu上運行模型，並行計算 else: output=self.main(input) return output #如果輸入的大小是3×32×32，最后的輸出是100×1×1.
判別器為：
#定義判別器D （編碼器） class NetD(nn.Module): def __init__(self, opt): super(NetD, self).__init__() # 第二個參數是1 因為判別器最后輸出一個數 # 不過編碼器在生成器里的時候 # 這個參數是100 因為它要把圖片下采樣成100×1×1的向量 model = Encoder(opt.isize, 1, opt.nc, opt.ndf, opt.ngpu, opt.extralayers) layers = list(model.main.children()) '''layers的輸出如下： [ Conv2d(3, 64, kernel_size=(4, 4), stride=(2, 2), padding=(1, 1), bias=False), LeakyReLU(negative_slope=0.2, inplace), Conv2d(64, 128, kernel_size=(4, 4), stride=(2, 2), padding=(1, 1), bias=False), BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True), LeakyReLU(negative_slope=0.2, inplace), Conv2d(128, 256, kernel_size=(4, 4), stride=(2, 2), padding=(1, 1), bias=False), BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True), LeakyReLU(negative_slope=0.2, inplace), Conv2d(256, 1, kernel_size=(4, 4), stride=(1, 1), bias=False)] 因為132行定義的nz參數是1，所以經過這層之后輸出的大小是1×1×1 ''' self.features = nn.Sequential(*layers[:-1]) # self.features的內容為除了最后一層的前8層
# nn.Sequential函數里面的參數一定是Module的子類，而list不是一個模塊子類，所以不能當做參數 # 當然model.children()也一樣不是一個模塊子類，只有他們里面的值才是
# 這里的*就起了作用，將list或者children的內容迭代地一個一個的傳進去。 #生成一個分類器模塊 self.classifier = nn.Sequential(layers[-1]) #self.classifier的內容為Conv2d(256, 1, kernel_size=(4, 4), stride=(1, 1), bias=False)最后一層 #並在后面添加子模塊sigmoid self.classifier.add_module('Sigmoid', nn.Sigmoid()) def forward(self, x): features = self.features(x) #圖片通過前8層之后的結果256×4×4，前提是輸入的圖片的大小是32 features = features classifier = self.classifier(features)#此時的結果是1×1×1，值在[0，1]，因為經過了sigmoid classifier = classifier.view(-1, 1).squeeze(1) #a=torch.ones([1,1,1]) 即a=tensor([[[ 1.]]]) 再a.view(-1,1) 變成tensor([[ 1.]]) 再加一個squeeze就是 # a.view(-1,1).squeeze(1) 結果是tensor([ 1.])，squeeze里的值是0是1隨意，只要去掉一個維度上的就可以 # 因此返回得到一個判別值classifier 和一個大小為256×4×4的特征值 return classifier, features
重點在：
- layers = list(model.main.children())
- self.features = nn.Sequential(*layers[:-1]) ：使用除了最后一層的前面所有層
- self.classifier = nn.Sequential(layers[-1])：僅使用最后一層
這里可見同樣的模型結構我們在Encoder.py中已經定義過一遍了，在判別其中實在不想再定義一遍，那我們就能夠使用model.main.children()來獲得模塊中的子模塊，然后將其轉成列表形式，然后就能夠根據想要的部分來進行處理了