上手总是用MNIST是不是没有成就感，那么来试试训练Emoji吧！这是学习GAN网络的第一个玩具应用。
准备工作
训练GAN网络生成表情包当然需要大量的表情包数据，当然就想到了万能的知乎了，而且以前也做过知乎的爬虫批量下载图片，这不是随手拿来改改就能用？不过万事皆有不如意，不出意外的知乎改版了，以前写的爬虫早就不能用了。后来经过一些尝试和努力（其实就是直接ctrl+s保存页面到本地然后手动筛选一下），我还是获得了两个我最喜欢的系列共计近两百张表情包，那么有了数据，当然就可以开始搭建网络开始训练咯。（当时年轻的我还没有意识到自己的数据其实少的可怜）
训练网络
不得不说，Keras对于新手来说简直不要太友好，菜如我也可以很快搭建好一个完整的GAN网络。GAN网络的实质其实就是一个动态博弈的过程，辨别器与生成器轮流训练，一起变强的过程。最后取出其中的生成器模型，我就可以拥有无限多的表情包，然后成为表情包之王，从此斗图再无对手！哈哈哈哈哈哈！（啊不是）
GAN网络的结构以及原理什么的网上资料非常多，我也就不再赘述了，这里就再额外记录一下我踩的坑，我走过的弯路。
由于GAN网络中的鉴别器D与生成器G在训练的时候的目标函数不同，因此不能同时训练，取而代之的就是G与D交替训练。其中D可以单独训练，而G需要依靠D的辨别结果的才能进行误差反向传递，也就是说单独的G不需要设置优化器或损失函数。
由于G没有损失函数也没有优化器，所以并不能算一个完整的模型（应该是这个原因），在模型保存中直接使用model.save()与load_model()时候会出现奇奇怪怪的错误，作为替换应该使用model.save_weights()与model.load_weights()只保存模型各层的权重，仅在需要时加载必要的权重。
优化模型
致命问题：mode collapse，指的是模型生成的数据失去多样性，其中很大原因就是样本数据太少（前后呼应了）。兵来将挡水来土掩，也有非常多的方法来提升与优化GAN的性能。那么接下来就走上了模型的漫漫优化之旅……
- Large kernels and more filters
- Flip labels (Generated=True, Real=False)
- Soft and Noisy labels
- Batch norm helps, but only if you have otherthings in place
- One class at a time
- Look at the Gradients
- No early stopping
尽管尝试了上述的多种方法，到最后我也没有解决模式坍塌的问题，而且Emoji生成质量并不高
附录
相关资料
数据集来源：有哪些可爱的高糊小表情包？
学习框架：Keras: 基于 Python 的深度学习库
模式坍塌与应对：Keep Calm and train a GAN. Pitfalls and Tips on training Generative Adversarial Networks
提升GAN：Improved Techniques for Training GANs
模型迭代
