通常要提取特征，您可以在输出之前使用网络的顶层。直觉是这些特征是线性可分的，因为顶层只是逻辑回归。

对于 GAN，您可以使用鉴别器中的特征。如果输入来自训练数据集“真实图像”，这些特征应该给出概率。在 Radford 的 DCGAN论文中，他们使用了判别器的所有卷积层，并为 CIFAR-10 运行最大池化层提取特征。

为了评估 DCGANs 为监督任务学习的表示的质量，我们在 Imagenet-1k 上进行训练，然后使用来自所有层的判别器的卷积特征，将每一层表示进行最大池化以产生 4×4 的空间网格。然后将这些特征展平并连接起来形成一个 28672 维的向量，并在它们之上训练一个正则化的线性 L2-SVM 分类器。

肯尼的回答是正确的——如果你使用卷积D，密集之前的层输出可以作为特征。我的直觉是，它对于 AC-GAN（或类似的架构，除了确定它是假的还是真的之外，还使 D 对输入进行分类）会更好地工作。

有一种称为BiGAN的方法，它添加了一个编码器组件，该组件能够将生成的和训练的样本映射到用于“初始化”生成器的潜在分布z 。作者表明，它可以有效地用作迁移学习和其他任务的特征集。

由于 GAN 由生成器和判别器两部分组成，因此有两种方法可以使用 GAN 作为特征提取器：

1. Mikhail Yurasov 提出的基于生成器的方式。
2. Kenny 提出的基于鉴别器的方法。

第二种方式更具争议性。一些研究[1]认为，直观地，由于判别器的目标是区分生成的样本和真实的样本，它只会关注这两种样本之间的差异。但有意义的是真实样本之间的差异，即下游任务使用的样本。

我试图研究这个，我发现提取的特征可以分解为两个正交子空间。第一个空间有助于鉴别器任务，而第二个空间没有它。在大多数情况下，用于区分真实样本和生成样本的特征是噪声，第二个特征空间将是无噪声的。从这个角度来看，虽然判别器的任务不会关注真实样本之间的差异，这对下游任务很有用，但第二个子空间中包含的无噪声特征会起作用。

[1] 约斯特·托拜厄斯·斯普林伯格。分类生成对抗网络的无监督和半监督学习。arXiv:1511.06390 [cs, stat]，2016 年 4 月。arXiv 预印本。arXiv:1511.06390 [stat.ML]。纽约州伊萨卡：康奈尔大学图书馆。