用tensorflow处理大型图片集是不是需要非常强大的电脑配置？我尝试用PhotoshopAI的代码处理我准备的256*256像素的图片集，train的时候崩溃了。后来将每轮训练的图片数和训练轮数改小了才能运行。但运行结果明显不对，下面是运行截图和我改过的代码。

# Hyperparameters 超参数

EPOCHS = 2

BATCH_SIZE = 10

LEARNING_RATE = 0.0002

BETA_1 = 0.5

# 定义判别器模型

def discriminator_model():

    model = tf.keras.models.Sequential()

    model.add(tf.keras.layers.Conv2D(

        32, # 64 个过滤器，输出的深度（depth）是 64

        (5, 5), # 过滤器在二维的大小是（5 * 5）

        padding='same', # same 表示输出的大小不变，因此需要在外围补零2圈

        input_shape=(256, 256, 3) # 输入形状[256, 256, 3]。3 表示 RGB 三原色  256*32

    ))

    model.add(tf.keras.layers.Activation("tanh")) # 添加 Tanh 激活层

    model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2))) # 池化层 128*32

    model.add(tf.keras.layers.Conv2D(64, (5, 5)))         #128*64

    model.add(tf.keras.layers.Activation("tanh"))

    model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2))) #64*64

    model.add(tf.keras.layers.Conv2D(128, (5, 5)))        #64*128

    model.add(tf.keras.layers.Activation("tanh"))

    model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2))) #32*128

    model.add(tf.keras.layers.Conv2D(128, (5, 5)))

    model.add(tf.keras.layers.Activation("tanh"))

    model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2))) #16*128

    model.add(tf.keras.layers.Conv2D(128, (5, 5)))

    model.add(tf.keras.layers.Activation("tanh"))

    model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2))) #8*128

    model.add(tf.keras.layers.Flatten()) # 扁平化

    model.add(tf.keras.layers.Dense(1024)) # 1024 个神经元的全连接层

    model.add(tf.keras.layers.Activation("tanh"))

    model.add(tf.keras.layers.Dense(1)) # 1 个神经元的全连接层

    model.add(tf.keras.layers.Activation("sigmoid")) # 添加 Sigmoid 激活层

    return model

# 定义生成器模型

# 从随机数来生成图片

def generator_model():

    model = tf.keras.models.Sequential()

    # 输入的维度是 100, 输出维度（神经元个数）是1024 的全连接层

    model.add(tf.keras.layers.Dense(input_dim=100, units=1024))

    model.add(tf.keras.layers.Activation("tanh"))

    model.add(tf.keras.layers.Dense(128 * 8 * 8)) # 8192 个神经元的全连接层

    model.add(tf.keras.layers.BatchNormalization()) # 批标准化

    model.add(tf.keras.layers.Activation("tanh"))

    model.add(tf.keras.layers.Reshape((8, 8, 128), input_shape=(128 * 8 * 8, ))) # 8 x 8 像素

    model.add(tf.keras.layers.UpSampling2D(size=(2, 2))) # 16 x 16像素

    model.add(tf.keras.layers.Conv2D(128, (5, 5), padding="same"))

    model.add(tf.keras.layers.Activation("tanh"))

    model.add(tf.keras.layers.UpSampling2D(size=(2, 2))) # 32 x 32像素

    model.add(tf.keras.layers.Conv2D(128, (5, 5), padding="same"))

    model.add(tf.keras.layers.Activation("tanh"))

    model.add(tf.keras.layers.UpSampling2D(size=(2, 2))) # 64 x 64像素

    model.add(tf.keras.layers.Conv2D(128, (5, 5), padding="same"))

    model.add(tf.keras.layers.Activation("tanh"))

    model.add(tf.keras.layers.UpSampling2D(size=(2, 2))) # 128 x 128像素

    model.add(tf.keras.layers.Conv2D(128, (5, 5), padding="same"))

    model.add(tf.keras.layers.Activation("tanh"))

    model.add(tf.keras.layers.UpSampling2D(size=(2, 2))) # 256 x 256像素

    model.add(tf.keras.layers.Conv2D(3, (5, 5), padding="same"))

    model.add(tf.keras.layers.Activation("tanh"))

    return model