本文完成的主要工作是设计并实现了一种生成式对抗网络中的生成器结构——Inception-transRes Nets,可以作为生成式对抗网络及其多种衍生模型的生成器的实现结构,应用在多种大小不同的图片数据集上。Inception-trans-Res Nets主要使用卷积与转置卷积构建,使自身具有稀疏连接的结构,在扩展神经网络的深度和宽度的同时保持适中的参数量;通过并联多个尺度的转置卷积,使同一个网络层能够恢复图片的多种尺度的特征,增加生成图片的特征多样性;通过1×1卷积,拆分转置卷积等方法进一步降低网络的参数,同时加强网络拟合非线性函数的能力;1×1卷积与转置卷积也将各层网络的输出中相关性高的点连接在一起,符合Hebbian原理与逐层构造网络的原则。Inception-trans-Res Nets还大量使用batch normalization作为正则化技术,同时避免Internal Covariate Shift问题,稳定训练过程,加速算法收敛。最后Inception-trans-Res Nets通过加入Residual block的结构,避免退化问题,使得网络更容易使用随机梯度下降算法优化。此外,Inception-transRes Nets也具有模块化的结构,方便针对生成不同大小、类型图片的问题,增减模块或是修改模块的超参数。在实验部分,本文验证了上述Inception-trans-Res Nets在理论上的优点,即:Inception-trans-Res Nets作为生成器具有一定的泛用性,能够与生成式对抗网络及其多种衍生模型相结合,应用在多种大小不同图片数据集上。相对于使用DCGAN实现的生成式对抗网络及其衍生模型,Inception-transRes Nets虽然使用了更少的参数,但是网络更宽更深,而且无需进一步调参就可以提高生成图片的质量或是Inception Score。此外,使用Inception-trans-Res Nets作为生成器,在训练中完全不存在训练不稳定以及生成样本多样性不足等问题。