对前面三篇文章的总结

序章

起初，我觉得使用Keras的那些API，比如train_on_batch，compile等等，极大的减少了代码量，对刚刚入门的小白来说比较友好。

在开始接触GAN之后，发现一些关于GAN的书籍，比如GANs in action，一些关于GAN的博客，如machinelearningmastery，CSDN以及一些能搜到的视频教程，很多都是用的Keras或者tf.keras

于是我也准备学习用tf.keras来实现各种GAN。

后来，经过一小段时间的学习，虽然也跟着别人的代码写出了几个能跑通的GAN，但总觉得keras的代码怪怪的。

高度封装的API，虽然容易使得小白入门，但同时也使得使用者对其内部的机制还是不怎么了解。比如之前困扰我很久的一个问题，就是关于模型的trainable参数的设置问题，明明已经设置为discriminator.trainable=False了，在后面的train_on_batch时，discriminator还能被训练。最后找到了一个不太确定的答案，详细见这篇文章：

https://fx0809.gitee.io/2020/10/12/Keras%E4%B8%AD%E5%85%B3%E4%BA%8E%E6%A8%A1%E5%9E%8B%E7%9A%84trainable%E7%8A%B6%E6%80%81%E7%9A%84%E9%97%AE%E9%A2%98/

最后，我决定采用继承自tf.keras.Model的方式编写代码，这也与PyTorch的风格相近，便于之后快速上手PyTorch。

DCGAN V2.0 && WARNING:tensorflow:Gradients do not exist for variables

文章传送门：

https://fx0809.gitee.io/2020/10/15/DCGAN-V2-0/

https://fx0809.gitee.io/2020/10/15/warning-tensorflow-Grandients-do-not-exist/

在使用Keras风格编码时，Dropout层的training参数会自动被设置为True

官网是这样解释的：

Note that the Dropout layer only applies when training is set to True such that no values

are dropped during inference. When using model.fit, training will be appropriately set to 

True automatically, and in other contexts, you can set the kwarg explicitly to True when 

calling the layer.

而在使用继承自tf.keras.Model类的编码风格时，需要手动调整该参数

至于是调成True还是False，都是可以的

但当不明显的设置training=True时，对于本模型而言，出现了梯度爆炸或消失的问题

而当设置training=True后，模型可以正常训练

以上就是一个调参的过程

加不加Dropout层，加了之后的参数如何设置等等，都是一个调参的过程。