本学习笔记是根据之前转载的几篇文章摸索实践而来，实际在我的实践过程中，可能有些版本已经更新，导致有一定的差异，这里根据回忆记录一些踩过的坑。
1.项目源码，github：https://github.com/carpedm20/DCGAN-tensorflow
这里要感谢carpedm20大神的无私奉献。
2.将该项目下载解压缩，然后使用之前已经配置好的python环境，该项目据说是兼容2和3，我用的python3.6。
Tensorflow 0.12.1，我用的1.3
SciPy，安装方法：可以使用pip安装：python -m pip install –user numpy scipy matplotlib ipython jupyter pandas sympy nose
或者访问官方网站查看其它安装方式：https://www.scipy.org/install.html
pillow，安装方法：可以使用pip安装：pip install Pillow
或者访问官方网站查看其它安装方式：https://pillow.readthedocs.io/en/latest/installation.html
(可选) moviepy (用于可视化)，安装方法：可以用pip安装：pip install moviepy
或者访问github源码查看其它安装方式：https://github.com/Zulko/moviepy
(可选) Align&Cropped Images.zip : 大型人脸数据集，http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html
可以手动下载，也可以通过下面的命令自动下载。
3.数据集准备：python download.py mnist celebA
这句会自动下载mnist手写数字和celebA人脸两个数据集，国内网络环境可能下载会非常慢，也可能会根本下不下来。不过这两个数据集都可以手动下载到，其中人脸数据在官方网站还有百度盘的链接提供。
放在项目根目录的data目录下即可。
实际，我执行这句命令出现了很多问题，我估计还是网络的问题，如果有好的网络环境的话估计不会踩坑。
4.训练模型：
python main.py –dataset mnist –input_height=28 –output_height=28 –train
我实践过程中发现mnist对我来说完全跑不起来，索性放弃，毕竟手写数字，目测都知道什么结果了。
python main.py –dataset celebA –input_height=108 –train –crop
人脸数据，20万+张人脸图片，数据量不小，没有gpu我感觉需要非常长的时间，我也放弃了，尤其下载数据从百度盘没会员的话就不用浪费自己的时间，也不用浪费百度的高成本服务器和带宽资源了。
实际我自己找了几百张动漫图片来做测试。
python main.py –dataset dongmantu –input_height=96 –output_height=64 –train
然后就遇到了main.py里的问题，
flags_dict = {k:FLAGS[k].value for k in FLAGS}
这行报错，说FLAGS中的__Value是一个不可迭代的对象，google搭梯子也打不开了，果然强大呀，百度到处找不到结果，都是驴唇不对马嘴，没办法简单看了下上下文，发现貌似 也没什么用，应该是把FLAGS参数保存到json文件中，那么我代码改成这样：
#flags_dict = {k:FLAGS[k].value for k in FLAGS}
#json.dump(flags_dict, f, indent=4, sort_keys=True, ensure_ascii=False)
json.dump(flags.FLAGS.__flags, f, indent=4, sort_keys=True, ensure_ascii=False)
这个问题解决了，不知道后面会不会出什么问题。
然后继续往下走，又报一个图片分辨率错误，说是极有可能是因为没有设置输入尺寸和输出尺寸或没有指定裁剪crop而导致的，实际我的参数中指定了输入尺寸96，输出尺寸64，并且我的图片处理过的全部统一裁剪到96的宽和高，看代码，检查参数，各种测试，没发现问题，加上–crop试试，哦了，不报这个错了。当然，也许将输入尺寸和输出尺寸设置为一样可能就不会出现这个问题。
继续往下走，报错：记不清错误信息了，大致意思就是没有加载imresize，百度到是scipy和pillow冲突的原因，有网友将pillow升级到6.1，scipy1.3就没问题了，但实际我这里还是不行，我用另一个网友的办法，将scipy降级到1.2，问题解决。命令是：
pip install scipy==1.2.1
查看安装模块和版本的命令：
pip list
至此跑起来就没问题了。
我实际使用如下命令进行训练：
python3 main.py --dataset dongmantu --train --input_height=96 --crop --sample_freq=10 --ckpt_freq=10 --visualize --out_name="20190823.110319 - data - dongmantu - x96.z100. uniform_signed.y64.b64" --epoch=250 --max_to_keep=10
意思是训练项目根目录下的data目录下的dongmantu文件夹下的所有图片，输入图尺寸宽高都是96像素，要裁剪，每10步保存一张当前训练效果生成的图片，每10步保存一个checkpoint，要可视化，输出目录为项目根目录下默认的out目录下的20190823.110319 – data – dongmantu – x96.z100.
uniform_signed.y64.b64这个目录，迭代次数250轮，其中每一轮会执行图片数量除以batch size步，如果图片640张，batch size默认64，则每一轮会执行10步。
手动指定输出名称，可以接着之前训练的步骤继续迭代下去，如果不指定，那么每次运行该命令都会新建一个文件夹并从头开始训练，–max_to_keep=10意思是最大保留最近的10个checkpoint，这样当运行完之后或者crash之后，可以挑选一个指定的checkpoint继续训练或者进行测试。
在刚开始训练的时候，输出的图片都是噪音，慢慢的有了人脸的轮廓，再慢慢的轮廓变的清晰起来，然后有了五官，五官的位置很乱，随着训练的进行，五官越来越端正了，甚至可以画出刘海、胡须、眼镜、墨镜等，训练了很久之后，模型基本收敛到位，输出的图片已经可以符合我们的需求了，这个时候就可以手动终止训练过程了，如果继续下去，有可能会效果反而越来越差。当然，我跑了几十个小时什么也不做，已经看到了效果，这里我们就先终止了。
果然搞人工智能不光是需要大量人工，还需要大量算力呀，几万块钱的n卡值得拥有。。。
5.测试模型
python3 main.py --dataset dongmantu --input_height=96 --out_name="20190823.110319 - data - dongmantu - x96.z100.uniform_signed.y64.b64" --crop --visualize
执行之后，会加载最新一版的模型，然后输出100张测试图片（100为z_dim的默认值，可以手动设定为其它数值），每张图片8*8一共64小张，这是默认可视化option=1的情况，我们来看下0、2、3、4的几种情况如何，这个值可以在main.py的最下面修改。
option=0，输出1张大图，图片8*8一共64小张
option=2，输出gif，如果没有成功，则生成png
option=3，输出小图gif，64*64像素，一共100张
option=4，输出小图gif，64*64像素，一共100张，然后合成一张大gif图
目前只到这，后续看情况再更新。