这篇文章将CNN应用在GAN上。
在传统的CNN结构上主要做了一下三个方面的修改：
1） 使用strided convolutions代替deterministic spatial pooling functions。这样可以使网络自己学习到spatial function
2） 消除全连接层。global averaged pooling 虽然可以使模型stability但是会hurt convergence speed。所以直接连接highest convolutional features到生成器（判决器）的输入和输出。
3）Batch Normalization，这对于deep generator的训练是重要的，有助于阻止mode collapse现象。然而在每一层都是用Batch Normalization会导致样本震荡和模型不稳定。所以只在generator 的输出层和discriminator的输入层使用。
Generator除了最后一层是用tanh**函数，其他使用ReLU。Discriminator使用leaky rectified activation。
这论文写的都是啥啊QAQ
看不进去。