网络结构
论文中的网络结构图如下，embedding的提取直接使用预训练好的text encoder进行提取（不是本文重点）。提出的StackGAN整个模型包含2个GAN网络，分别用于两个阶段：
Stage1 ：embedding+ noise 为输入，利用GAN输出低分辨率的64x64大小的影像；
Stage2 ：embedding+ Stage I的低分辨率生成影像 为输入，利用GAN输高分辨率的256x256大小的影像
结合代码，stage I与stage II 的详细结构如下：
注意：其实代码中stage II 鉴别器输出的logit 有两种，分为condition 和uncondition，分别对应着有无引入embedding信息。（图中只显示了condition的logit输出）
每个阶段的GAN训练流程是相同的：
- 生成fake img；
- 训练鉴别器。考虑三种鉴别器输入，(1)real pairs：真实图像与对应的文本embedding，gt为 1；(2)wrong pairs：真实图像与不匹配的文本embedding，gt为 0；(3) fake pairs：生成图像与对应的文本embedding，gt为 0
- 训练生成器。鉴别器输入只考虑fake pairs，，gt为 1
网络训练
官方的pytorch实现有问题，stage I的生成器损失无法收敛。
在尝试1、提高D的lr同时降低G的lr 以及 反过来调整lr；2、提高G的通道数；3、使用改进的GAN损失函数形式 后，均无法正常收敛。