简介
这里的生成式网络是广义的生成式，不仅仅指gan网络，还有风格迁移中的类自编码器网络，以及语义分割中的类自编码器网络，因为遇到次数比较多，所以简单的记录一下。
背景
1、像素和数字
图像处理目标一般就是RGB三色通道，原始图像解码后是0~255，这个矩阵传给matplotlib就可以直接绘图了，与此同0~1的图像matplotlib也是可以接受的，关于这点，我们来看看文档是怎么说的，
Elements of RGB and RGBA arrays represent pixels of an MxN image.
All values should be in the range [0 .. 1] for floats or [0 .. 255] for integers. Out-of-range values will be clipped to these bounds.
即使0~1也能够使用，我们常用的还是0~255的数据。
2、生成式网络输出的限制
生成式网络不同于分类网络，其输出的目标是图像，对照上面也就是0~255范围（这个更常用）的矩阵，这就意味着网络的输出有所限制的，且是不同于分类网络全部限制于0~1或者-1~1的，正如分类网络的sigmoid或者softmax一样，我们会在最后一个卷积/转置卷积层后采取一些操作保证输出满足图像的要求。
实际思路
输入图像为了保证可以被用于loss，需要和输出图像的值域相同，所以有两个思路：
- 输入图像值压缩到-1~1附近
- 输出图像值放大到0~255
gan网络中
我们采用方式为：原像素数据除以127.5减去1的操作，使得输出值保持在-1~1之间，可以配合sigmoid激活函数进行学习
实际测试一下，我们将这里的预处理(TFR_process.py)做一下调整，使得值不再被压缩，
'''图像预处理'''# image_decode = tf.cast(image_decode, tf.float32)/127.5-1image_decode = tf.cast(image_decode, tf.float32)
相应的将生成网络(DCGAN_function.py)作出调整，
h4 = deconv2d(h3, [batch_size, s_h, s_w, c_dim], scope='g_h4')return h4 # tf.nn.tanh(h4)
可以看到结果依旧可以训练出来，效果如下。
快速风格迁移中
我们采用0~255作为输入，生成数据仍为0~255（主要分布），然后将输出数据进一步操作，送入vgg进行loss计算。
此时的生成式网络最后一层可以不加激活，输出会自行收敛在目标附近，也可以tanh激活（-1~1）后加1再乘127.5。