user@devops:~$ cat README.md
DCGAN Generativo
# Descripción
DCGAN (Deep Convolutional Generative Adversarial Network) implementada desde cero en PyTorch para generar imágenes sintéticas de prendas de vestir usando el dataset Fashion-MNIST. El Generator (215K parámetros) utiliza capas Dense + Upsample + Conv2d para transformar vectores de ruido aleatorio (latent_dim=100) en imágenes 28×28 en escala de grises. El Discriminator (10K parámetros) clasifica imágenes como reales o generadas usando convoluciones stride-2 con LeakyReLU. Entrenamiento adversarial alternado con label smoothing (0.9/0.1), Adam optimizer (lr=2e-4), 25 épocas sobre 4000 muestras de Fashion-MNIST. Resultados: D_loss=0.85, G_loss=1.55, D_accuracy=95%. Incluye visualización de la evolución temporal con muestras cada 5 épocas, curvas de pérdida D vs G, y grid final 8×8 de imágenes generadas.
# Características principales
$ Generator con 3 capas convolucionales (Upsample + Conv2d) para escalado gradual 8×8 → 14×14 → 28×28
$ Discriminator con 2 capas Conv2d stride-2, BatchNorm, LeakyReLU y Dropout para estabilidad
$ Label smoothing (0.9 real / 0.1 fake) para prevenir que el Discriminator se vuelva demasiado confiado
$ Inicialización de pesos Normal(0, 0.02) como recomienda el paper DCGAN
$ Evolución visual: muestras guardadas cada 5 épocas para observar la mejora progresiva
$ Entrenamiento adversarial con optimización alternada G/D y Adam (β₁=0.5)
$ Grid final 8×8 mostrando 64 imágenes generadas sintéticamente
$ Dataset Fashion-MNIST con 10 categorías de prendas de vestir (camisetas, zapatos, bolsos, etc.)
# Galería
# Tecnologías utilizadas
