先抱怨一句，GAN训练真不容易… 一开始GAN总是训练效果很差，使用的是CNN去训练generator和discriminator，但是出来的总是“晶体图”，找到了一些技巧，然后自己实践了一下，也遇到了一些蠢哭的事情。 我换了一个网络，即调整了原来CNN的参数，或者多加入了一些层，结果出来的效果非常可观，看来首先要找到一个对的网络。

我尝试了用TensorFlow去实现GAN，一开始是用的Keras。实现第一遍的时候，其实还不错，使用的是全连接网络，没有使用CNN。 第二次想尝试WGAN，就跟着一位博主的文章开始了练习，但是敲完之后，结果非常糟糕，后来检查发现没有控制trainable_variables，在训练generator的时候，把discriminator的参数也更新了。 后来发现生成的图片都非常暗，感觉哪里有问题，但是有没发现，后来在看别人代码的时候才发现，我将图片的RGB值由(0,225)缩放到 (-1,1)的时候，我缩放错了，直接除以了255，结果缩放成了(0,1)。

下面是我觉得很不错的技巧：

输入的图片经过处理，将0-255的值变为-1到1的值。 images = (images/255.0)*2 - 1

在generator输出层使用tanh激励函数，使得输出范围在 (-1,1)

保存生成的图片时，将矩阵值缩放到[0,1]之间 gen_image = （gen_image+1) / 2

使用leaky_relu激励函数，使得负值可以有一定的比重

使用BatchNormalization，使分布更均匀，最后一层不要使用。

在训练generator和discriminator的时候，一定要保证另外一个的参数是不变的，不能同时更新两个网络的参数。

如果训练很容易卡住，可以考虑使用WGAN

可以选择使用RMSprop optimizer

更多有用的技巧： GAN训练技巧 Tips on train GAN