改进你的 GAN

我向你展示的 GAN，在生成器和辨别器中只使用了一个隐藏层。这个 GAN 的结果已经非常不错了，但仍然有很多噪声图像，以及有些图像看起来不太像数字。但是，要让生成器生成的图像与 MNIST 数据集几乎一样，是完全可能的。

经训练的 GAN 生成的 MNIST 图像 (https://arxiv.org/pdf/1606.03498.pdf)

这来自一篇题为 Improved Techniques for Training GANs 的文章。那么，它们如何生成如此美观的图像呢？

与大多数神经网络一样，使用的层越多，网络的性能就越好。所以你可以尝试两三层，而不只是一层。尝试使用有更多单元的更大的层，看看它对你的结果有何影响。

批次归一化

提醒一下，在三层情况下你可能无法使它很好地工作。网络会变得对权重的初始值非常敏感，导致无法训练。我们可以使用批次归一化（Batch Normalization）来解决这个问题。原理很简单。就像我们对网络输入的做法一样，我们可以对每个层的输入进行归一化。也就是说，缩放层输入，使它具有零均值和标准差 1。经发现，批次归一化对于构建深度 GAN 非常有必要。

我们将在下一周的课程中讲解批次归一化，以及对生成器和辨别器使用卷积网络。