本文将收集TensorFlow可生成的模型，列举出各种GAN和VAE的Tensorflow实现。

生成对抗网络(GAN)

列表



GAN文章链接：https://arxiv.org/abs/1406.2661

LSGAN文章链接：https://arxiv.org/abs/1611.04076

WGAN文章链接：https://arxiv.org/abs/1701.07875

DRAGAN文章链接：https://arxiv.org/abs/1705.07215

CGAN文章链接：https://arxiv.org/abs/1411.1784

infoGAN文章链接：https://arxiv.org/abs/1606.03657

ACGAN文章链接：https://arxiv.org/abs/1610.09585

EBGAN文章链接：https://arxiv.org/abs/1609.03126

BEGAN文章链接：https://arxiv.org/abs/1702.08431

GAN架构变体


mnist结果

生成器和鉴别器的网络架构恰好与infoGAN纸上提到的架构相同。infoGAN纸地址：https://arxiv.org/abs/1606.0365
为了公平地比较所有Gan变体的核心思想，除了EBGAN和BEGAN，网络架构的所有实现都保持不变。然后对EBGAN/BEGAN进行了小的修改，因为它们采用了自动编码器结构。

以下结果可以用命令重现:

python main.py --dataset mnist --gan_type  --epoch 25 --batch_size 64

随机生成

所有的结果都是随机抽取的。

每一行都有相同的噪声向量，每一列都有相同的标签条件。

有条件的生成

InfoGAN:操纵两个连续的代码
Fashion-mnist结果

mnist的网络架构的评论也被应用到这里。
Fashion-mnist是最近提出的一个数据集，它包含了6万个示例和1万个示例的测试集。Fashion-mnist数据集地址：https://github.com/zalandoresearch/fashion-mnist。每个例子都是一个28x28的灰度图像，与10个类(t恤/上衣，裤子，套衫，衣服，外套，凉鞋，衬衫，运动鞋，包，短靴)的标签相关联。

以下结果可以用命令重现:

python main.py --dataset fashion-mnist --gan_type  --epoch 40 --batch_size 64

随机生成

所有的结果都是随机抽取的。

有条件的生成

每一行都有相同的噪声向量，每一列都有相同的标签条件。



如果没有mnist版本的超参数调优，那么ACGAN/infoGAN就不能很好地与iwth CGAN进行比较。ACGAN倾向于陷入模式崩溃。infoGAN倾向于忽略噪声矢量。它导致同一类中的不同样式不能被表示。

InfoGAN:操纵两个连续的代码

变分自编码器（VAN）

列表

VAE文章链接：https://arxiv.org/abs/1312.6114

CVAE文章链接：https://arxiv.org/abs/1406.5298

DVAE文章链接：https://arxiv.org/abs/1511.06406

AAE文章链接：https://arxiv.org/abs/1511.05644

VAE架构变体


mnist结果

译码器(发生器)和编码器(鉴别器)的网络架构与infoGAN纸上的架构相同。infoGAN纸地址：https://arxiv.org/abs/1606.0365。编码器的输出节点数是不同的。(VAE为2x z_dim，GAN为1)

以下结果可以用命令重现:

python main.py --dataset mnist --gan_type  --epoch 25 --batch_size 64

随机生成

所有的结果都是随机抽取的。



此外，还对GAN的结果进行了比较，比较了VAE和GAN生成的图像。主要的区别(VAE生成平滑和模糊的图像，GAN生成锐利的和手工的图像)可以从结果中观察到。

有条件的生成

每一行都有相同的噪声向量，每一列都有相同的标签条件。

同时对CGAN的结果进行了比较，比较了CVAE和CGAN生成的图像。

Fashion-mnist结果

mnist的网络架构的评论也被应用到这里。

以下结果可以用命令重现:

python main.py --dataset fashion-mnist --gan_type  --epoch 40 --batch_size 64

随机生成

所有的结果都是随机抽取的。

此外，还对GAN的结果进行了比较，比较了VAE和GAN生成的图像。

有条件的生成

每一行都有相同的噪声向量，每一列都有相同的标签条件。

同时对CGAN的结果进行了比较，比较了CVAE和CGAN生成的图像。

文件夹架构

下面显示了基本的文件夹架构。

├── main.py # gateway

├── data

│ ├── mnist # mnist data (not included in this repo)

│ | ├── t10k-images-idx3-ubyte.gz

│ | ├── t10k-labels-idx1-ubyte.gz

│ | ├── train-images-idx3-ubyte.gz

│ | └── train-labels-idx1-ubyte.gz

│ └── fashion-mnist # fashion-mnist data (not included in this repo)

│ ├── t10k-images-idx3-ubyte.gz

│ ├── t10k-labels-idx1-ubyte.gz

│ ├── train-images-idx3-ubyte.gz

│ └── train-labels-idx1-ubyte.gz

├── GAN.py # vainilla GAN

├── ops.py # some operations on layer

├── utils.py # utils

├── logs # log files for tensorboard to be saved here

└── checkpoint # model files to be saved here

这个实现基于一个存储库，并在Windows 10和Ubuntu14.04上测试了Tensorflow。存储库地址：https://github.com/carpedm20/DCGAN-tensorflow