DCGAN (Deep Convolutional Generative Adversarial Network) — image generation uchun convolutional neural networklardan foydalanadigan GAN arxitekturasi va training tavsiyalari to‘plami. U fully connected generator-discriminatorlardan convolutional designga o‘tishni tizimlashtirib, latent representation va unsupervised feature learning tadqiqotlarida muhim bosqich bo‘lgan.
Generator tuzilishi
Generator random latent vector z ni spatial feature mapga project qiladi. So‘ng transposed convolution yoki upsampling-convolution layerlari resolutionni bosqichma-bosqich oshiradi. Hidden layerlarda batch normalization va ReLU, final image layerida odatda tanh activation ishlatiladi. Training image pixel qiymatlari [-1, 1] oralig‘iga scale qilinadi.
Transposed convolution learnable upsampling beradi, ammo kernel va stride noto‘g‘ri tanlansa checkerboard artefact paydo bo‘ladi. Nearest-neighbor yoki bilinear upsamplingdan keyin oddiy convolution bu xavfni kamaytirishi mumkin. Output channel soni grayscale uchun bir, RGB uchun uch bo‘ladi.
Discriminator tuzilishi
Discriminator strided convolution bilan image resolutionini pasaytirib, real yoki fake score chiqaradi. Max pooling o‘rniga learnable stride ishlatilishi original design tavsiyasidir. Hidden layerlarda Leaky ReLU gradientni negative inputlarda ham saqlaydi. Batch normalization trainingni barqarorlashtiradi, ammo discriminatorning birinchi va generatorning oxirgi layerida ishlatilmasligi ko‘p implementationlarda uchraydi.
Final loss binary cross-entropy bo‘lishi mumkin. Zamonaviy implementation logits bilan loss ishlatsa final sigmoid loss ichida hisoblanadi. Activation va loss mos kelmasligi gradientni buzadi. Weight initialization odatda kichik normal distributiondan boshlanadi.
Training jarayoni
Har iteratsiyada discriminator real batch va generator yaratgan fake batch bilan yangilanadi. Keyin generator discriminatorni real deb ishontirish objective’i bilan o‘qitiladi. Adam optimizer uchun learning rate va momentum parametrlari GAN barqarorligiga katta ta’sir qiladi. Fixed latent sample har epochda aynan bir input evolyutsiyasini ko‘rishga yordam beradi.
Losslar muntazam kuzatiladi, lekin ularning mutlaq qiymati image sifatiga to‘g‘ridan-to‘g‘ri teng emas. Discriminator accuracy juda tez mukammal bo‘lsa generator gradienti zaiflashishi mumkin. Mode collapse, checkerboard pattern va bir xil rang palitrasi sample grid orqali aniqlanadi.
Representation xususiyati
Training tugagach discriminatorning convolutional feature’lari classification uchun ishlatilishi mumkin. Latent interpolation generated image atributlarining asta o‘zgarishini ko‘rsatadi. Vector arithmetic ayrim semantik directionlarni namoyish qilishi mumkin, biroq disentanglement kafolatlanmaydi va demo sample’lari umumiy holatni ifodalamasligi mumkin.
DCGAN odatda kichik yoki o‘rta resolutionli, markazlashtirilgan obyekt datasetlarida osonroq ishlaydi. Yuqori resolution, murakkab scene va uzoq bog‘lanish uchun progressive growing, residual block, attention yoki StyleGAN singari arxitekturalar rivojlangan.
Baholash va cheklovlar
Generated image’lar FID, precision-recall va human evaluation bilan tekshiriladi. Diversity alohida o‘lchanadi; chiroyli bir nechta sample mode collapse’ni yashirishi mumkin. Training setga nearest-neighbor tekshiruvi memorizationni aniqlashga yordam beradi. Dataset bias generator outputida takrorlanadi. Face yoki boshqa identity data bilan ishlaganda consent, provenance va synthetic media’ni belgilash masalalari arxitekturadan tashqari zarur boshqaruv qatlamidir.
Implementation nazorati
Generator output shape kernel, stride va padding formulasi bilan oldindan hisoblanadi; bitta layer xatosi kutilmagan resolution beradi. Real image crop va resize’i generator outputi bilan aynan bir o‘lchamda bo‘ladi. Batch normalization train va evaluation rejimida turlicha ishlagani uchun sample olishda model eval holatiga o‘tkaziladi. Checkpoint optimizer state’ini ham saqlaydi, aks holda trainingni davom ettirish momentum tarixini yo‘qotadi. Fixed seed visual regression beradi, lekin diversity uchun random seedlar ham tekshiriladi.
Bog‘liq tushunchalar
Generative Adversarial Network, Convolutional Neural Network, Generator, Discriminator, Transposed convolution, Mode collapse, Batch normalization