预备知识：tf.reduce_函数,
TP GAN ；全名 TWO pathway Geanerator Network,，，在此文作用为侧脸->正脸,与普通GAN区别开的是它用两条pathway分别处理局部部位与整体，最后合成结果，整体架构如下图所示，图中省略了部分路线，resblock与部分convolution处理
官方给定的代码中TP_GAN-Mar6FS.py函数有:
build_model
用于构造网络，构造loss
processor
注释：输入3通道图片，输出3通道，3*4的梯度图(gradient map)；步骤是对输入图进行一个conv后将原图与结果concat
用于g_loss中，至于g_loss是什么，(todo)
FeaturePredict
partRotator
如图，输入侧面的眼或嘴或鼻，输出正面的眼或嘴或鼻
四个卷积的尺度2倍的递增，图中每层卷积间省略了resblock和Leaky Relu,中间卷积到反卷积间省略了两个resblock,比起变分自动编码器，PartRotator还多出一个跨层的输入，通过与原输入tf.concat的方式 跨层输入；代码中输出是两个，一个是原结果，另一个是结果再1*1conv,tanh处理
generator，decoder
（这是Global pathway的）两个一起讲，代码里输入输出有点乱，挺多个输入输出。此图中简化了：第1个deconv的结果作为第3个的输入，第2->第4，第3->第5 ; havles maximum是将vector切半，输出较大的一半，img跨层输入不是简单的输入，除了resize，resblock,conv以外还有其他的操作，略过； 图中 省略了每层的resblock和Leaky Relu,右下角箭头的输入是PartCombiner后的结果，
decoder函数的返回值：每一个deconv后再加一个1*1的conv，有5个deconv，所以共5个返回值(代码中有多的重复的返回值，忽略)
partCombiner
如图，输入眼嘴鼻，将眼嘴鼻放到设定好的位置，其余用tf.pad来补全，如文中所说：Specifically, we put each feature tensor at a “template landmark location”，重合的地方用tf.maximum处理，总体被文中称为Position Aggregation操作
loadDeepFace
文中没提怎么面部定位，代码中是直接提取脸部的各个部位的坐标用于裁剪，此函数作用是用pickle读取这些坐标文件
DiscriminatorLocal
conv尺度两倍递增，倒数第二层conv与倒数第三层conv的filter尺度一样,图中省略每层间的leaky relu和第四层和第五层后的resblock
FeatureExtractDeepFace
一个深层次的FeatureExtrarter,其中有res的结构，引用了_conv_layer，get_conv_filter函数； 代码注释：processing from color to gray; 函数在build_model中被调用，作用：提取特征，用于构造dv_loss, dv_loss代码中是global decoder产生的图与groundtruth的Loss, 对应到文章是Pixel-wise Loss。Pixel-wise Loss如图
继续说代码中的dv_loss是怎么实现的：decoder函数->生成图片G，并引入groundtruth图片->FeatureExtractDeepFace函数->tf.reduce_sum和其他reduce_函数->loss
evaluate，train,get_conv_filter, get_bias, get_fc_weight, save, load
Loss
保证对称性的symetric loss,作用：加速拟合，产生更真实的图。还可以补全遮挡部位
Adversarial Loss
Identity Perserving Loss
Pixel-Wise Loss,见上面函数featureExtractDeepFace，是通过feature内的L1距离，让一些突出特征在变化过程中保留下来
tv Loss(total variation regularization loss)，如名
Discriminator
就看到一个discriminatorLocal函数，文中说这个网络的Discriminator特别之处是产生的结果是一个probability map