2018-10-06一个新的想法

加入cLR-GAN进行训练，但是原始输入的z采用cVAE-GAN阶段编码出来的Z向量，最后将生成图像编码出来的Z'与原Z进行对比损失降低。
由于我们不是求风格不同的任意图，因此要加入B的L1损失。√

L1 loss to make the output match the input

鉴于两个网络合并训练，不需要再另行加入B的L1，只需要z自己的L1即可，不需要D2.

• 查看一下现在训练网络中向量Z的注入方式，考虑尝试多层注入链接：↓
  现有训练即多层注入。√
• 研究加入L1 loss的代码如何实现
• 研究如何修改代码使其成为z为z_encoded的cLR-GAN √
• 共享权重？no，合并成一个网络。
• cLR-GAN的Discriminator no,不需要
• 找复杂一点的训练集 ->大概需要自己来造。。

很清楚的图

详解AE与VAE结构
第一次看云里雾里的，现在再看觉得写得十分明白+_+