原始的 GAN 的生成器和判别器网络中使用的均是全连接层，生成器网络的最后的输出层大小与真实图像尺寸相同，判别器网络最后一层只输出一个值，即图片为真实图片的概率。
生成器与判别器的目标可以用以下公式表示：
其中D(·)表示判别器认为数据为真的概率，z是随机数，用来作为生成器的输入来生成伪造的样本G(z)。
判别器的目标是输入为真实照片时，让D(·)接近 1，即让V(D,G)的第一项接近 0，而输入为伪造样本G(z)时让D(G(z))接近于0，也就是希望V(D,G)的第二项接近 0。
DCGAN 将卷积与 GAN 结合在一起，并同时在生成器和判别器运用了深度卷积神经网络，极大地提升了原始 GAN 训练时的稳定性以及生成结果的质量。
改动主要包括如下几个方面：
1.取消所有池化层，生成器中使用反卷积进行上采样，判别器用加入 stride的卷积代替池化，防止梯度稀疏；
2.去掉全连接层改用全卷积网络；
3.在生成器和判别器上都使用 Batch Norm 来解决初始化差的问题，帮助梯度传播到每一层，防止生成器把所有的样本都收敛到同一点。直接将 BN 应用到所有层会导致样本震荡和模型不稳定，因此在生成器的输出层和判别器的输入层不使用 Batch Norm，可以防止这种现象；
4.使用 Adam 优化器。
生成器结构
生成器采用了转置卷积，将 100 * 1的随机生成的数据扩大到 64 * 64 * 3。其结构如下图所示。其中卷积层使用 ReLU，最后一层使用Tanh 作为激活函数。
判别器结构
判别器主题使用了4层卷积， 结构如下图所示。其中判别器网络使用 LeakyRelu 作为激活函数。
损失函数
GAN 网络的优化目标公式可以将其看作交叉熵损失函数，DCGAN 判别器损失函数分为两部分：一部分为判定真实图片的损失值，正确情况是将其判别为真；另一部分为判定生成图片的损失值，正确情况是将其判别为假。分别计算两个交叉熵并加和，得到总损失值。
生成器的目标是生成图片被判别器判定为真，损失值体现的是判别器将生成图片判定为假的情况，因此每张生成图的标签为1，判别器判别为真时预测标签为1，判别为假时预测标签为0。
HELLO WORLD!