DCGAN 的判别器和生成器都使用了卷积神经网络（CNN）来替代GAN 中的多层感知机，同时为了使整个网络可微，拿掉了CNN 中的池化层，另外将全连接层以全局池化层替代以减轻计算量。
去卷积（反卷积，Deconvolution）
从上图中可以看到，生成器G 将一个100 维的噪音向量扩展成64 * 64 * 3 的矩阵输出，整个过程采用的是微步卷积的方式。作者在文中将其称为fractionally-strided convolutions，并特意强调不是deconvolutions。
去卷积（链接：反卷积）又包含转置卷积和微步卷积，两者的区别在于padding 的方式不同，看看下面这张图片就可以明白了：
3. 训练方法
DCGAN 的训练方法跟GAN 是一样的，分为以下三步：
（1）for k steps：训练D 让式子【logD(x) + log(1 – D(G(Z)) (G keeps still)】的值达到最大
（2）保持D 不变，训练G 使式子【logD(G(z))】的值达到最大
（3）重复step（1）和step（2）直到G 与D 达到纳什均衡
4. 相比于GAN 的改进
DCGAN 相比于GAN 或者是普通CNN 的改进包含以下几个方面：
（1）使用卷积和去卷积代替池化层
（2）在生成器和判别器中都添加了批量归一化操作
（3）去掉了全连接层，使用全局池化层替代
（4）生成器的输出层使用Tanh 激活函数，其他层使用RELU
（5）判别器的所有层都是用LeakyReLU 激活函数
5. 漫游隐空间
通过使用插值微调噪音输入z 的方式可以导致隐空间结构发生变化从而引导生成图像发生语义上的平滑过度，比如说从有窗户到没窗户，从有电视到没电视等等。
6. 语义遮罩
通过标注窗口，并判断激活神经元是否在窗口内的方式来找出影响窗户形成的神经元，将这些神经元的权重设置为0，那么就可以导致生成的图像中没有窗户。从下图可以看到，上面一行图片都是有窗户的，下面一行通过语义遮罩的方式拿掉了窗户，但是空缺的位置依然是平滑连续的，使整幅图像的语义没有发生太大的变化。
7. 矢量算法
在向量算法中有一个很经典的例子就是【vector(“King”) – vector(“Man”) + vector(“Woman”) = vector(“Queue”)】，作者将该思想引入到图像生成当中并得到了以下实验结果：【smiling woman – neutral woman + neutral man = smiling man】
