Regarding the architecture G is composed of 22 one dimensional strided convolutional layers of filter width 31 and strides of N = 2 The amount of filters per layer increases so that the depth gets lar

关于体系结构，G由22个一维步幅卷积层组成，滤波器宽度为31，步幅为N = 2。每层的过滤器数量逐渐增加，以使深度随着宽度（时间中的信号持续时间）变窄而增加。每层的结果尺寸为样本×特征图，分别为16384×1、8192×16、4096×32、2048×32、1024×64、512×64、256×128、128×128、64×256、32×256、16×512和8×1024。在那里，我们从先前的8×1024维正态分布N（0，I）中采样噪声样本z。正如提到的那样，G的解码器阶段是编码器的镜像，具有相同的滤波器宽度和每层相同数量的过滤器。然而，跳过连接和潜在向量的添加使每层的特征图数量翻倍。

网络D遵循与G的编码器阶段相同的一维卷积结构，并适应卷积分类网络的传统拓扑结构。不同之处在于：（1）它得到16384个样本的两个输入通道，（2）它在LeakyReLU非线性之前使用虚拟批归一化，α = 0.3，以及（3）在最后的激活层中，有一个宽度为一的一维卷积层，它不会下采样隐藏激活（1×1卷积）。后者（3）减少了最终分类神经元所需的参数量，该神经元与所有隐藏激活进行全连接，具有线性行为。这意味着我们将该全连接组件所需的参数量从8 × 1024 = 8192减少到8