CycleGAN网络结构

生成器：三个组件构成（编码器、转换器、解码器） 编码器由三层卷积层构成。假定输入图片大小（256，256，3）。第一步是通过卷积层从图像中提取特征。从卷积层中提取特征的数量也可看做是用于提取不同特征的不同滤波器的数量。卷积层依次逐渐提取更高级的特征，通过编码器后，输入图像由（256,256,3）变成了输出（64,64,256）。 转换器由6个残差块组成。由编码器输出图像的不同通道组合了图像的不同特征，根据这些特征来将图像的特征向量即编码从源域转换到目标域。 残差块由两个卷积层组成，并且将输入残差添加到输出中，这是为了确保先前图层的输入属性也可以用于后面的图层，使得它们的输出与原始输入不会有太大偏差，否则原始图像的特征不会保留在输出中。 解码器的作用是从特征向量重新构建低级特征，可以通过去卷积（转置卷积）层完成。最后将低级功能转换为目标域中的图像。 判别器：将图像作为输入，并预测图像是原始图像还是生成器的输出。判别器由多个卷积层构成，从图像中提取特征后，判断这些特征是否属于特定类别，判别器网络的最后一层是用于产生一维输出的卷积层。

如果不要完整的cycle，只做一半的话则会缺少的对偶的部分，即缺少了重构误差，而对偶重构误差能在引导模型迁移时保留图像的固有属性，所以是很重要的。

对比上面编码器的代码，d1表示解码器decoder的第一层，o_d1表示解码器第一层的输出。解码器用的函数是反卷积，编码器用的函数是卷积。解码器第一层的输入是转换器的输出，即由A域转换得到的B域的对应特征向量。编码器第一层卷积的特征数目是ngf，第二层卷积的特征数目是2倍ngf。解码器第一层特征数目是2倍ngf，第二层特征数目是ngf。区别在于窗口大小值和移动步幅值。