Encoder代码为：
class Encoder(nn.Module): #输入图片的大小isize、噪声的维度nz=100、输入图片的通道nc=3、ndf=64、 def __init__(self,isize,nz,nc,ndf,ngpu,n_exter_layers=0,add_final_conv=True): super(Encoder,self).__init__() self.ngpu=ngpu # 必须为16倍数 assert isize % 16==0,"isize has to be a multiple of 16" main=nn.Sequential() # 图片的高宽缩小一倍 main.add_module('initial-conv-{0}-{1}'.format(nc,ndf),nn.Conv2d(nc,ndf,4,2,1,bias=False)) main.add_module('initial-relu-{0}'.format(ndf),nn.LeakyReLU(0.2,inplace=True)) csize,cndf=isize/2,ndf for t in range(n_exter_layers): #在这里面特征宽高不变，通道数也不变 main.add_module('extra-layers-{0}-{1}-conv'.format(t,cndf),nn.Conv2d(cndf,cndf,3,1,1,bias=False)) main.add_module('extra-layers-{0}-{1}-batchnorm'.format(t,cndf),nn.BatchNorm2d(cndf)) main.add_module('extra-layers-{0}-{1}-relu'.format(t,cndf),nn.LeakyReLU(0.2,inplace=True)) # 在特征高宽仍大于4时，就添加缩小一倍高宽，通道增加一倍的卷积块 while csize>4: in_feat = cndf out_feat = cndf * 2 main.add_module('pyramid-{0}-{1}-conv'.format(in_feat, out_feat),nn.Conv2d(in_feat, out_feat, 4, 2, 1, bias=False)) main.add_module('pyramid-{0}-batchnorm'.format(out_feat),nn.BatchNorm2d(out_feat)) main.add_module('pyramid-{0}-relu'.format(out_feat),nn.LeakyReLU(0.2, inplace=True)) cndf = cndf * 2 csize = csize / 2 # 最后一层卷积，将4*4变为1*1,得到nz = 100的噪声 if add_final_conv: main.add_module('final-{0}-{1}-conv'.format(cndf, 1),nn.Conv2d(cndf, nz, 4, 1, 0, bias=False)) self.main=main def forward(self,input): if self.ngpu>1: output=nn.parallel.data_parallel(self.main,input,range(self.ngpu)) #在多个gpu上运行模型，并行计算 else: output=self.main(input) return output #如果输入的大小是3×32×32，最后的输出是100×1×1.
判别器为：
#定义判别器D （编码器） class NetD(nn.Module): def __init__(self, opt): super(NetD, self).__init__() # 第二个参数是1 因为判别器最后输出一个数 # 不过编码器在生成器里的时候 # 这个参数是100 因为它要把图片下采样成100×1×1的向量 model = Encoder(opt.isize, 1, opt.nc, opt.ndf, opt.ngpu, opt.extralayers) layers = list(model.main.children()) '''layers的输出如下： [ Conv2d(3, 64, kernel_size=(4, 4), stride=(2, 2), padding=(1, 1), bias=False), LeakyReLU(negative_slope=0.2, inplace), Conv2d(64, 128, kernel_size=(4, 4), stride=(2, 2), padding=(1, 1), bias=False), BatchNorm2d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True), LeakyReLU(negative_slope=0.2, inplace), Conv2d(128, 256, kernel_size=(4, 4), stride=(2, 2), padding=(1, 1), bias=False), BatchNorm2d(256, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True), LeakyReLU(negative_slope=0.2, inplace), Conv2d(256, 1, kernel_size=(4, 4), stride=(1, 1), bias=False)] 因为132行定义的nz参数是1，所以经过这层之后输出的大小是1×1×1 ''' self.features = nn.Sequential(*layers[:-1]) # self.features的内容为除了最后一层的前8层
# nn.Sequential函数里面的参数一定是Module的子类，而list不是一个模块子类，所以不能当做参数 # 当然model.children()也一样不是一个模块子类，只有他们里面的值才是
# 这里的*就起了作用，将list或者children的内容迭代地一个一个的传进去。 #生成一个分类器模块 self.classifier = nn.Sequential(layers[-1]) #self.classifier的内容为Conv2d(256, 1, kernel_size=(4, 4), stride=(1, 1), bias=False)最后一层 #并在后面添加子模块sigmoid self.classifier.add_module('Sigmoid', nn.Sigmoid()) def forward(self, x): features = self.features(x) #图片通过前8层之后的结果256×4×4，前提是输入的图片的大小是32 features = features classifier = self.classifier(features)#此时的结果是1×1×1，值在[0，1]，因为经过了sigmoid classifier = classifier.view(-1, 1).squeeze(1) #a=torch.ones([1,1,1]) 即a=tensor([[[ 1.]]]) 再a.view(-1,1) 变成tensor([[ 1.]]) 再加一个squeeze就是 # a.view(-1,1).squeeze(1) 结果是tensor([ 1.])，squeeze里的值是0是1随意，只要去掉一个维度上的就可以 # 因此返回得到一个判别值classifier 和一个大小为256×4×4的特征值 return classifier, features
重点在：
- layers = list(model.main.children())
- self.features = nn.Sequential(*layers[:-1]) ：使用除了最后一层的前面所有层
- self.classifier = nn.Sequential(layers[-1])：仅使用最后一层
这里可见同样的模型结构我们在Encoder.py中已经定义过一遍了，在判别其中实在不想再定义一遍，那我们就能够使用model.main.children()来获得模块中的子模块，然后将其转成列表形式，然后就能够根据想要的部分来进行处理了