介绍
CycleGAN是2018年发表于ICCV17的一篇论文，可以让2个图片相互转化，也就是风格迁移，如马变为斑马，斑马变为马。
网络结构
CycleGAN总结构有4个网络，第一个为生成网络G:X—>Y;第二个网络为生成网络F:X—>Y。第三个网络为对抗网络命名为Dx，鉴别输入图像是否为X；第四个网络为对抗网络命名为Dy，鉴别输入图像是不是Y。如图，以马(X)和斑马(Y)为例，G网络将马的图像转化为斑马图像；F网络将斑马的图像转化为马的图像；Dx网络鉴别输入的图像是不是马；Dy网络鉴别输入图像是不是斑马。这4个网络仅有2个网络结构，即G和F都是生成网络，这两者的网络结构相同，Dx和Dy都是对抗性网络，这两者的网络结构相同。
Generator-生成网络
以上网络主要有3种操作，卷积，反卷积和残差模块；卷积和反卷积后通常还有BN，**函数等。
卷积
反卷积
残差模块
残差网络最先是在ResNet中引出的可以有效的避免梯度消失，实现网络深度的提升。
Discriminator-对抗网络
卷积后面通道都有BN层和**函数，另外Discriminator的最终输出并不是0.0-1。0间的值，而是一个1616的矩阵，因此定义了这个1616矩阵的各个元素越接近0.9，则Loss越小，即是真值的概率越大。
Loss
G_loss
网络G的loss函数，由2部分组成，分别是cycle_loss和g_loss。
- cycle_loss:G(x)生成了y’，F(G(x))即是生成的x’，则F(G(x))-x的绝对值的均值定为loss_x；F(y)生成x’，G(F(y))生成y’，则G(F(y))-y的绝对值的均值定为loss_y；cycle_loss=loss_x+loss_y；
- g_loss：G(x)是y’，则Dy(y’)每个元素减去0.9取平方，然后取平方均值定义为g_loss；
G_loss=cycle_loss+g_loss；
Dy_loss
网络Dy的loss函数，由2部分组成，分别是loss_real_y和loss_fake_y；
- loss_real_y：Dy(y)是一个16x16矩阵，每个元素减去0.9后取平方，则各平方均值定义为loss_real_y；
- loss_fake_y：G(x)生成一个y’，则Dy(G(x))相当于Dy(y’)，也是一个16x16矩阵，矩阵每个元素取平方，则各平方均值定义为loss_fake_y；
Dy_loss=loss_real_y+loss_fake_y；
F_loss
网络F的Loss函数，由2部分组成，分别是cycle_loss和f_loss；
- cycle_loss同G_loss中的定义
- f_loss：F(y)生成一个x’，Dx(x’)即Dx(F(y))是一个16x16的矩阵，每个元素减去0.9后取平方，各平方均值定义为f_loss；
F_loss=cycle_Loss+f_loss；
Dx_loss
网络Dx的loss函数，由两部分组成，分别是loss_real_x和loss_fake_x；
- loss_real_x：Dx(x)是一个16x16矩阵，每个元素减去0.9后取平方，则各平方均值定义为loss_real_x；
- loss_fake_x：F(y)生成一个x’，则Dx(F(y))相当于Dx(x’)，也是一个16x16矩阵，矩阵每个元素取平方，则各平方均值定义为loss_fake_x；
Dx_loss= loss_real_x+ loss_fake_x；
训练
最小化[G_loss,Dy_loss,F_loss,Dx_loss]变量，实现网络优化训练。