简介面向希望结合代码深入掌握GAN与DCGAN的深度学习开发者该资源在Pytorch框架下使用CelebA人脸数据集完成了一次完整的图像生成实战内容涵盖生成器与鉴别器结构设计、数据预处理、损失函数与优化器配置、训练过程监测以及生成结果分析。包内共12个文件包括4个脚本文件模型定义、训练、生成、工具函数、5张训练过程与生成效果图、1个动图演示、1份说明文档以及1个最终模型权重文件压缩包大小为102.4MB目录规划清晰便于按步骤研读和复现。目前已有399人学习下载。通过学习该项目读者既能理解DCGAN借助卷积结构提升图像生成质量的关键机制也能掌握从模型搭建到调参评估的完整工程链路训练损失曲线、各阶段生成图片和权重文件均一应俱全可对照代码逐段分析也适合迁移至其他图像生成任务。1. DCGAN 在 CelebA 数据集上的工程落地这份 PyTorch 源码包的拆解价值生成对抗网络GAN是我见过最“玄学”的深度学习模型——训练曲线永远在抖生成结果时好时坏很多人跑了一周连一张像样的人脸都没看到。DCGAN 通过把卷积结构引入生成器和判别器把这种“玄学”拉回可复现的工程范畴。这份基于 PyTorch 的 DCGAN 项目在 CelebA 数据集上完成人脸生成训练内含 dcgan.py 网络定义、train.py 训练脚本、generate.py 推理脚本和训练好的 model_final.pth 权重是典型的“理论源码权重”三件套。它解决两个问题不用从零写全套代码就能跑通 GAN 从数据加载到人脸生成的全流程通过已收敛的权重能直观对比训练中途和训练完成的生成差异真正理解生成器的学习过程。适合刚入门 GAN 想跑通第一个生成模型的初学者也适合做图像生成项目、需要参考实现的中级开发者。2. 生成器与判别器的结构设计DCGAN 的四个关键约束2.1 从原始 GAN 到 DCGAN卷积结构凭什么能稳住训练原始 GAN 用全连接层搭建生成器把随机噪声映射成图像像素判别器把图像展平后做二分类。这个结构在 MNIST 这类小图上勉强能跑但放到 CelebA 这种 20 万张、分辨率 178×218 的人脸数据集上基本是训练几天、生成结果还是一团噪点。原因不复杂全连接层把每个像素都当作独立特征处理学不到图像里“相邻像素有关联”这种空间结构而且全连接层参数量爆炸判别器很容易过拟合把真实样本和生成样本彻底分开梯度一断生成器就成了瞎猜。DCGAN 论文给 GAN 的卷积化立了一套硬约束我拆这份源码时对照过dcgan.py 里基本逐条落实了四条判别器里用带步长的卷积替代池化生成器里用转置卷积做上采样整个网络没有池化层尺度变化全部交给卷积自己学。生成器和判别器都加 BatchNorm。这条对训练稳定性的贡献最大批归一化能把中间特征拉回可比较的尺度避免某一层数值漂移把整个训练带崩。除生成器输出层和判别器输入层外不设全连接隐藏层。原始 GAN“噪声向量 → 大矩阵 → 图像”的玩法被砍掉改为“噪声先投影成 4×4 特征图再逐层卷积放大”。生成器输出层用 Tanh其余层用 ReLU判别器全部用 LeakyReLUslope 取 0.2。Tanh 把输出限制在 [-1, 1]和归一化后的图像数据对齐LeakyReLU 让负半轴有梯度避免判别器神经元死亡。这些约束不是拍脑袋定的。转置卷积配合 BatchNorm能让生成器在每一层都拿到分布相对稳定的特征图判别器用 LeakyReLU 保证反向传播时负特征也能贡献梯度。简单说DCGAN 的改进核心是“让两个网络的梯度都活下来、且尺度可控”。2.2 源码里的 dcgan.py生成器与判别器的具体实现dcgan.py 的网络定义是这份源码最值得读的部分。噪声维度 z_dim 取了 100这是 DCGAN 论文的默认值生成过程是“100 维高斯噪声 → 全连接投影到 4×4×1024 → 四层转置卷积逐级放大到 64×64×3”。项目里的 Generator.png 就是网络结构的可视化图能看到每一层的张量形状变化。生成器核心代码如下# dcgan.py 生成器定义关键部分 class Generator(nn.Module): def __init__(self, z_dim100, img_size64): super(Generator, self).__init__() self.fc nn.Linear(z_dim, 4 * 4 * 1024) self.main nn.Sequential( # 输入: 1024 x 4 x 4 nn.ConvTranspose2d(1024, 512, 4, 2, 1, biasFalse), nn.BatchNorm2d(512), nn.ReLU(True), # 输出: 512 x 8 x 8 nn.ConvTranspose2d(512, 256, 4, 2, 1, biasFalse), nn.BatchNorm2d(256), nn.ReLU(True), # 输出: 256 x 16 x 16 nn.ConvTranspose2d(256, 128, 4, 2, 1, biasFalse), nn.BatchNorm2d(128), nn.ReLU(True), # 输出: 128 x 32 x 32 nn.ConvTranspose2d(128, 3, 4, 2, 1, biasFalse), nn.Tanh() # 输出: 3 x 64 x 64 ) def forward(self, z): out self.fc(z) out out.view(out.size(0), 1024, 4, 4) return self.main(out)这里有个容易忽略的细节所有 ConvTranspose2d 都带了 biasFalse因为后面紧跟 BatchNormbias 会被 BN 的平移项吸收留着反而多一份冗余参数。kernel_size4、stride2、padding1 是转置卷积做 2 倍放大的标准搭配输入输出尺寸关系是 out (in - 1) × 2 - 2 × padding kernel_size代入 (4-1)×2-24 8正好翻倍。如果你要改成 128×128 输出就在最后再接一层同样的转置卷积并把通道数从 3 往前顺延调整。判别器是生成器的镜像结构四层步长为 2 的普通卷积把 64×64 图像逐级降到 4×4最后用 kernel_size4 的卷积压成 1×1 输出再过一个 Sigmoid# dcgan.py 判别器定义关键部分 class Discriminator(nn.Module): def __init__(self): super(Discriminator, self).__init__() self.main nn.Sequential( # 输入: 3 x 64 x 64 nn.Conv2d(3, 64, 4, 2, 1, biasFalse), nn.LeakyReLU(0.2, inplaceTrue), # 64 x 32 x 32 nn.Conv2d(64, 128, 4, 2, 1, biasFalse), nn.BatchNorm2d(128), nn.LeakyReLU(0.2, inplaceTrue), # 128 x 16 x 16 nn.Conv2d(128, 256, 4, 2, 1, biasFalse), nn.BatchNorm2d(256), nn.LeakyReLU(0.2, inplaceTrue), # 256 x 8 x 8 nn.Conv2d(256, 512, 4, 2, 1, biasFalse), nn.BatchNorm2d(512), nn.LeakyReLU(0.2, inplaceTrue), # 512 x 4 x 4 nn.Conv2d(512, 1, 4, 1, 0, biasFalse), nn.Sigmoid() ) def forward(self, img): return self.main(img).view(-1)判别器输出是单个标量概率view(-1) 把 [B, 1, 1, 1] 压成 [B]方便直接和 BCE 损失对齐。注意判别器的第一层没有加 BatchNorm这是 DCGAN 原文的约定。提示判别器输入层不加 BatchNorm是 DCGAN 原文的约定。加了反而容易在训练早期引入噪声导致判别器数值不稳。2.3 参数初始化与模型保存标准化先做好DCGAN 对初始化很敏感直接用 PyTorch 默认初始化生成器很容易在前几百个迭代就“死亡”——所有输出变成纯色块。源码里一般在 train.py 开头会有 weights_init 函数把所有权重按均值 0、标准差 0.02 的正态分布重新初始化# 权重初始化均值 0、标准差 0.02 def weights_init(m): classname m.__class__.__name__ if isinstance(m, (nn.Conv2d, nn.ConvTranspose2d, nn.Linear)): nn.init.normal_(m.weight.data, 0.0, 0.02) if m.bias is not None: nn.init.constant_(m.bias.data, 0) elif isinstance(m, nn.BatchNorm2d): nn.init.normal_(m.weight.data, 1.0, 0.02) nn.init.constant_(m.bias.data, 0)标准差的选取有讲究0.02 是 DCGAN 论文给的太大容易让初始特征图数值溢出太小会让梯度消失。BatchNorm 的 weight 初始化成 1、bias 初始化成 0 也是固定惯例。两份网络的参数量可以参考下表输入 64×64、z_dim100 时网络主要结构参数量约GeneratorLinear(100→16384) 4 层 ConvTranspose2d约 10.5MDiscriminator4 层 Conv2d 最后 Conv2d(512→1)约 2.7M生成器参数量明显多于判别器这是刻意为之生成器要从 100 维噪声里还原 64×64×3 的图像信息熵缺口很大判别器只需要做二分类不需要那么强的建模能力。如果判别器太强生成器会拿不到有效梯度训练直接卡死。3. CelebA 数据预处理与训练流程从 178×218 裁剪到 64×643.1 CelebA 数据集与预处理流水线CelebA 是训练人脸 GAN 最常用的数据集之一包含 20 多万张名人人脸图片每张图还有 40 个属性标注。原图分辨率是 178×218宽高比接近 1:1.22直接用 Resize 会把人脸拉变形标准做法是先 CenterCrop 成正方形再缩放到训练尺寸。这份源码的目标输出是 64×64所以预处理是 CenterCrop(128) 再 Resize(64)。128 是裁剪边长因为 CelebA 人脸基本在图片中心中心裁剪能保留完整五官Resize(64) 把裁剪结果缩到 64×64和生成器输出尺寸对齐。# train.py 里的数据预处理 from torchvision import transforms, datasets from torch.utils.data import DataLoader transform transforms.Compose([ transforms.CenterCrop(128), # 178x218 - 128x128 transforms.Resize(64), # 128x128 - 64x64 transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) # 归一化到 [-1, 1] ]) dataset datasets.ImageFolder(root./data/celeba/, transformtransform) dataloader DataLoader(dataset, batch_size128, shuffleTrue, num_workers4, pin_memoryTrue)Normalize 的均值方差都写 0.5等于把像素从 [0,1] 线性映射到 [-1,1]这是为了让数据分布和生成器输出层 Tanh 的值域一致。如果这里用 ImageNet 的 mean/std图像会被压缩到 [-2, 2] 之外的范围模型要很久才能适应。ImageFolder 要求目录按类别分子文件夹。CelebA 原始下载包是一整文件夹图片没有类别标签所以常见做法是建一个只有单一子目录的目录结构或者直接用 torchvision.datasets.CelebAroot 参数指定存放路径downloadTrue 会自动下载。两种方式都行区别是前者自己控制目录后者依赖 torchvision 版本兼容性我一般用前者省心。还要提醒一句torchvision 版本和 PyTorch 版本要对应如果你刚装好 PyTorch 环境就跑这个项目先确认 torchvision 能正常 import再跑数据加载否则报错会让人误以为是代码问题。batch_size128 是 64×64 图像在单张 24GB 显卡上的安全选择如果你是 8GB 显存建议降到 32 或 16。num_workers 按 CPU 核数调Windows 上建议 0避免 DataLoader 多进程报错。3.2 train.py 训练循环损失函数、优化器与每一步的顺序训练循环是 GAN 最容易写错的地方。DCGAN 用的是标准 GAN 的目标函数但实现上有几个必须守住的顺序。先看代码# train.py 训练循环核心片段 criterion nn.BCELoss() optimizerD optim.Adam(discriminator.parameters(), lr0.0002, betas(0.5, 0.999)) optimizerG optim.Adam(generator.parameters(), lr0.0002, betas(0.5, 0.999)) for epoch in range(num_epochs): for i, (imgs, _) in enumerate(dataloader): real_imgs imgs.to(device) bs real_imgs.size(0) real_label torch.ones(bs, 1, devicedevice) fake_label torch.zeros(bs, 1, devicedevice) # 第 1 步训练判别器 optimizerD.zero_grad() d_real discriminator(real_imgs).view(-1, 1) d_real_loss criterion(d_real, real_label) z torch.randn(bs, z_dim, devicedevice) fake_imgs generator(z) d_fake discriminator(fake_imgs.detach()).view(-1, 1) d_fake_loss criterion(d_fake, fake_label) d_loss d_real_loss d_fake_loss d_loss.backward() optimizerD.step() # 第 2 步训练生成器 optimizerG.zero_grad() g_fake discriminator(fake_imgs).view(-1, 1) g_loss criterion(g_fake, real_label) # 目标是让假图被判为真 g_loss.backward() optimizerG.step()三个关键点必须理解第一判别器每轮要见真图和假图loss 是两部分相加。d_fake 前面必须加 detach()否则梯度会从判别器一路流回生成器等于同时更新了两个网络训练直接乱套。第二生成器的训练目标是让判别器把假图判成 1所以 g_loss 的标签是 real_label 而不是 fake_label这个反直觉的设计是 GAN 的核心生成器要骗过判别器。第三先更新判别器、再更新生成器这是 DCGAN 的标准顺序不要反过来。优化器参数也值得记一下Adam 的 betas(0.5, 0.999)。PyTorch 默认的 beta1 是 0.9在 GAN 里会导致梯度动量过大、loss 震荡剧烈DCGAN 论文专门把 beta1 降到 0.5。很多人不改这个参数训练曲线就会一直抖。3.3 用损失曲线和生成图像判断训练是否健康train.py 每跑完一个 epoch 会保存一次生成结果项目里 images/ 目录下的 Generated_Epoch_1.png 和 Generated_Epoch_10.png 就是这种可视化产物。同时 Training_Loss.png 记录了每轮 D 和 G 的损失变化这是判断训练健康度的第一手材料。经验值是这样的判别器 loss 通常会在 0.5~1.5 之间来回震荡生成器 loss 缓慢下降如果判别器 loss 掉到 0.1 以下说明它已经能把真假图完全分开生成器的梯度会趋近于零这是最典型的训练失败信号。反过来如果生成器 loss 一直在降、但生成图像全是重复面孔那就是模式坍缩。还要养成一个习惯每个 epoch 都看生成图别只看 loss。我见过 loss 曲线非常漂亮、但图像全是一团糊的情况——GAN 的 loss 和生成质量的相关性没有想象中那么强。对比 Generated_Epoch_1.png 和 Generated_Epoch_10.png 能直观看到从噪点逐渐出现人脸轮廓的过程第一轮通常是灰蒙蒙的色块加一些五官影子第十轮就能看到清晰的面部结构了。Training_Data.png 是数据集的随机采样图用来确认预处理没有把图像搞坏——如果这张图里人脸是变形的或者颜色不对后面训练出来也白搭。4. 训练避坑CelebA 上跑 DCGAN 的五个翻车现场4.1 判别器 loss 归零生成器 loss 飙升现象训练不到几百个迭代判别器 loss 直线掉到 0.001 级别生成器 loss 涨到 10 以上生成图像全是噪点。原因判别器过强把真实样本和生成样本完全分开了。典型诱因是学习率太高、beta1 用了默认 0.9或者判别器结构比生成器深太多。解决把 Adam 的 betas 改回 (0.5, 0.999)lr 降到 0.0002 或 0.0001如果还不行把判别器的通道数减半比如 64→32 起步让两个网络的能力差距缩小。还有一个取巧的办法是每训练一次判别器就训练两次生成器人为给生成器更多学习机会。4.2 模式坍缩生成的脸只有几种表情现象肉眼可见的重复。生成 64 张图翻来覆去只有四五张脸或者所有图五官位置一样只是换了点像素噪声。原因生成器发现“只输出少数几种能骗过判别器的样本”比“学习整个人脸分布”更容易。判别器只见过当前 batch 的假图记不住更早的样本生成器就钻这个空子。解决先检查是不是 batch_size 太小小于 64小 batch 会让判别器的记忆窗口更短模式坍缩更容易发生然后把 z 从固定随机种子改成每轮重新采样并适当增大 z_dim更激进的做法是引入 mini-batch discrimination但工程上最简单的先手是调大判别器的 LeakyReLU 斜率到 0.3让负样本梯度更活跃。4.3 显存 OOMbatch 和图像尺寸的组合问题现象训练到中途爆显存报 CUDA out of memory。原因64×64 图像本身不大但生成器中间层的特征图通道数是 10244×4×1024 在 batch128 时也要占不少显存如果还把 num_workers 开很高、或者同时加载了验证集显存就会爆。解决batch_size 从 128 降到 64 或 32通常能解决 90% 的 OOM再把 num_workers 降到 2。如果显存只有 6GB可以考虑把生成器第一层通道数从 1024 减到 512。不要用梯度累积去硬撑——GAN 对每步的 batch 统计很敏感梯度累积和真实 batch 的效果不完全等价。4.4 生成图像有棋盘格伪影现象生成的人脸皮肤上有规则的格子状纹理像国际象棋棋盘。原因转置卷积是“放大 卷积”的组合当 kernel_size 和 stride 的配合出现重叠不均匀时上采样过程会产生棋盘格。64×64 分辨率下这个问题不算严重但一旦你改成 128×128 或更高分辨率伪影会非常明显。解决首选方案是把 ConvTranspose2d 换成 nn.Upsample(scale_factor2, modebilinear) 加普通 Conv2d 的组合如果不想改结构就把 kernel_size 保持为 stride 的整数倍。更彻底的办法还是换 Upsample。需要注意换掉转置卷积会增加参数量训练速度会略微下降。4.5 加载 model_final.pth 报 shape 不匹配现象用 torch.load 加载权重后model.load_state_dict 报 size mismatch提示某层权重维度对不上。原因这份项目里的 model_final.pth 是完整生成器权重对应的是 z_dim100、img_size64 的网络。如果你改了 z_dim比如改成 128或者把网络通道数调过加载自然失败。解决要么改回默认网络结构再加载要么加载时用 strictFalse 并手动挑出能用的层# 加载权重时容忍结构不一致 state_dict torch.load(model/model_final.pth, map_locationcpu) model.load_state_dict(state_dict, strictFalse)但 strictFalse 只能作为调试手段真正使用时还是建议保持 z_dim100、img_size64 的默认配置这份源码的所有可视化产物都是在这个配置下生成的。五个坑总结成一张表方便你对照排查现象核心原因最快解决手段D loss 归零判别器过强 / lr 过高lr0.0002betas(0.5,0.999)模式坍缩batch 太小 / 训练记忆短batch ≥ 64重新采样 zOOMbatch 太大 / 通道数过多batch 减半通道数减半棋盘格转置卷积核尺寸问题换 UpsampleConv权重不匹配z_dim 或结构被改过保持默认配置加载注意首次跑通前不要同时改动多个超参数。GAN 的训练问题往往是多因素叠加一次只改一个变量才能定位到真正的坑。5. 用训练好的模型生成人脸权重加载、推理脚本与 GIF 输出5.1 加载 model_final.pth 的两种方式项目自带的 model_final.pth 是已经训练完成的生成器权重。PyTorch 保存模型有两种常见格式一种是只存权重参数 torch.save(model.state_dict())另一种是把整个模型结构连同权重一起存 torch.save(model)。加载方式稍有区别源码里 generate.py 用的是第一种对应代码如下# generate.py 加载生成器权重 device torch.device(cuda if torch.cuda.is_available() else cpu) generator Generator(z_dim100, img_size64).to(device) # 方式一如果是 state_dict 保存的权重 generator.load_state_dict(torch.load(model/model_final.pth, map_locationdevice)) # 方式二如果是完整模型保存的直接 load再转设备 # model torch.load(model/model_final.pth, map_locationdevice) # generator model.to(device)map_location 是关键在无 GPU 机器上加载 GPU 训练的权重不写 map_location 会直接报错写成 cpu 或 device 就能跨设备加载。这里还要注意 Generator 的实例化参数必须和训练时一致即 z_dim100、img_size64否则就会踩到上一章的 shape 不匹配坑。5.2 generate.py 推理流程反归一化与保存推理比训练简单很多但仍然有两个细节容易被忽略。先看代码# generate.py 核心推理代码 z_dim 100 batch_size 64 z torch.randn(batch_size, z_dim, devicedevice) generator.eval() # 切到评估模式关闭 BN 的 batch 统计更新 with torch.no_grad(): fake_imgs generator(z) # 输出是 Tanh 的值域 [-1, 1]反归一化回 [0, 1] 再保存 fake_imgs (fake_imgs 1) / 2 fake_imgs fake_imgs.clamp(0, 1) save_image(fake_imgs, generated_faces.png, nrow8, padding2)两个细节必须说清楚。第一eval() 和 no_grad() 都要写DCGAN 生成器里有 BatchNormeval() 会切换成用训练阶段统计的 moving average如果你不调用 eval()BN 层在推理时仍然用当前 batch 的统计量生成结果会有一层微妙的不稳定。第二反归一化的写法要和预处理严格对应预处理用 mean0.5、std0.5 归一化推理就要 (x 1) / 2 还原顺序反了或者系数错了生成图像会整体偏暗或偏亮。save_image 里 nrow8 表示每行排 8 张64 张图正好排成 8×8 的网格。5.3 单帧到 GIF用 imageio 串起训练过程项目里的 gen_celeba.gif 记录了模型从训练早期到后期的生成效果演变你可以自己复现一个这样的过程可视化# 生成训练过程 GIF import imageio import numpy as np from torchvision.utils import make_grid frames [] for epoch in range(1, 11): # 每个 epoch 固定噪声种子保证对比公平 torch.manual_seed(42) z torch.randn(64, z_dim, devicedevice) with torch.no_grad(): fake generator(z) grid make_grid((fake 1) / 2, nrow8).cpu().numpy() # CHW - HWC转 uint8 img np.transpose(grid, (1, 2, 0)) frames.append((img * 255).astype(np.uint8)) imageio.mimsave(gen_celeba.gif, frames, duration0.3)固定 torch.manual_seed 是为了让每一帧的噪声输入一致这样 GIF 里看到的变化纯粹来自模型权重的更新而不是噪声的随机差异。duration0.3 是每帧停留 0.3 秒10 帧的 GIF 正好 3 秒适合做效果展示。如果你在训练每个 epoch 时都保存一份生成图最后就能拼出完整的“从噪点到人脸”的动图这也是判断训练是否健康最直观的手段。6. 进阶调优三个改动让生成人脸更清晰第一个改动是标签平滑。把真实标签从 1 改成 0.9判别器对“不太完美的真图”不会过度自信梯度更平缓训练明显更稳real_label torch.full((bs, 1), 0.9, devicedevice) # 替代全 1第二个改动是给生成器换更好的上采样方式。把 ConvTranspose2d 换成 nn.Upsample nn.Conv2d棋盘格伪影基本消失面部皮肤纹理更自然。代价是参数量增加训练速度下降 10% 左右。第三个改动是训练轮数这份源码默认是 10 个 epoch 左右但 20 万张图、batch128 的情况下一个 epoch 就有 1500 多个迭代10 个 epoch 只是“能看”的水平有条件就跑到 25 个 epoch并配合 lr 衰减比如 15 个 epoch 后 lr 降到 0.0001能在已收敛的权重上再抠出一截清晰度。也可以试试把 z_dim 从 100 提到 128让生成器有更多自由度但这会同步加大训练难度务必配合标签平滑一起用。我记得第一次跑这个项目时图省事没改 beta1loss 抖得跟心电图一样后来才意识到 DCGAN 的每一个超参数都是论文作者试出来的血泪经验少改一个都可能翻车。从那以后我每次复现 GAN 项目都强制走一遍先不改任何参数跑到 500 个迭代看曲线确认健康了再动结构。希望帮到你。本文还有配套的精品资源点击获取