基于生成對抗網(wǎng)絡(luò)的校園總平布局生成式設(shè)計探索
——以小學校園為例

鄧巧明，林文強，劉宇波（通訊作者），梁凌宇（通訊作者）/DENG Qiaoming,LIN Wenqiang,LIU Yubo (Corresponding Author),LIANG Lingyu (Corresponding Author)

0 引言

隨著計算機計算能力的飛速提升、算法的不斷改進，以及信息技術(shù)帶來的海量數(shù)據(jù)，人工智能技術(shù)的發(fā)展又達到了一個嶄新的高度。在建筑領(lǐng)域，用于設(shè)計和建造的數(shù)字技術(shù)，在過去的20～30 年里一直在改變著建筑師的工作方式，今天的人工智能技術(shù)，特別是基于統(tǒng)計學理論，通過經(jīng)驗數(shù)據(jù)來提升機器智能化水平的機器學習方法也將進一步推動建筑行業(yè)的變革。近些年，在結(jié)合大量數(shù)據(jù)樣本與機器學習算法模型特點進行建筑風格判別、城市空間特征識別、基于建筑形體的物理性能指標預測、住宅平面的識別與生成等方面已有較多研究[1-5]，但結(jié)合設(shè)計邏輯思維過程探討基于用地條件與功能需求進行總平布局生成設(shè)計的相關(guān)研究仍然較少。

總平布局作為設(shè)計前期多方案比較與確定深化方向的重要環(huán)節(jié)，通常需要建筑師綜合考慮場地條件、各功能要素的使用需求、設(shè)計規(guī)范法規(guī)等多種條件的限制與要求。以小學總平布局設(shè)計為例，既要考慮場地周圍道路情況、用地形狀等因素合理選擇場地主要出入口位置，也要滿足教學樓、體育館、運動場等功能要素的布局與相互位置關(guān)系的合理性，同時還要兼顧教學樓的朝向、噪聲間距等多方面的要求。這通常需要依賴建筑師大量的設(shè)計經(jīng)驗與對全局的把控能力，進行反復測算和比較，才能尋求一個最優(yōu)布局。本文希望以小學校園總平布局設(shè)計作為切入點，探討利用對抗生成網(wǎng)絡(luò)的機器學習的理念與方法，實現(xiàn)基于用地周邊道路和用地形狀等用地條件的校園總平布局設(shè)計自動生成的思路與方法。

1 機器學習在布局設(shè)計領(lǐng)域的相關(guān)研究

布局設(shè)計是指在一定范圍內(nèi)將各種要素以合理的位置和相互關(guān)系進行有目的組織的過程，涵蓋了包括海報排版、文檔布局、游戲場景設(shè)計、室內(nèi)家具布局、工藝生產(chǎn)線布局等多個領(lǐng)域，一直是計算機科學領(lǐng)域的重要研究課題。以往的研究更多是將布局設(shè)計看作一種模式計算問題，并從計算機視覺、圖形學與機器學習等領(lǐng)域引入多種方法[6-7]。最近，神經(jīng)網(wǎng)絡(luò)的復興通過深度學習的方法再次推進了相關(guān)研究，通過學習和訓練可以建立一個針對布局設(shè)計的生成器或預測器[8-9]。

針對建筑布局問題，保羅·梅里爾（Paul Merrell）等人（2010）使用貝葉斯網(wǎng)絡(luò)學習房間屬性關(guān)系，在不固定邊界的情況下使用隨機方法合成住宅的平面布局[10]。劉利剛等人（2019）提出了一種使用深度神經(jīng)網(wǎng)絡(luò)與概率推論的方法預測平面各房間位置，并計算房間大小與墻壁位置的兩階段方法來最終生成具有給定建筑邊界的住宅建筑平面圖[7]。黃蔚欣、鄭豪（2018）利用生成對抗網(wǎng)絡(luò)GAN 實現(xiàn)基于公寓平面圖紙的功能識別與基于功能色塊圖的平面圖紙生成過程[11]；斯坦尼斯拉斯（Stanislas Chaillou，2019）通過訓練3 個GAN模型實現(xiàn)從基地到建筑輪廓，再到平面功能布局以及最后的家具布置的生成過程[12]；戴維·牛頓（David Newton，2019）探討了樣本量有限的柯布西耶風格住宅平面布局生成問題，并通過增加噪聲、旋轉(zhuǎn)等方法擴充樣本量，提高GAN 模型的訓練效果[13]。

上述研究中，計算機領(lǐng)域的劉利剛、建筑領(lǐng)域的斯坦尼斯拉斯都探討了利用機器學習的方法在只給定住宅輪廓的條件下生成住宅平面布局的方法與效果。值得注意的是，斯坦尼斯拉斯的研究還嘗試建立了從用地輪廓到住宅平面輪廓的映射變換，從而實現(xiàn)從用地條件到住宅平面功能布局以及家具布置的完整方案生成過程。但如果從設(shè)計師進行總平布局設(shè)計時的設(shè)計邏輯與思維過程的視角來考慮，作為影響建筑布局設(shè)計的用地條件，除了用地輪廓或形狀之外，基地道路及周邊功能情況（住宅、商業(yè)、辦公等）也都是用地條件的重要組成部分，將直接影響總平布局中主要出入口位置、各功能要素的擺放結(jié)果。此外，用地條件與功能需求首先決定了一個合理的總平布局關(guān)系，建筑輪廓是在總平布局關(guān)系的基礎(chǔ)上各功能體塊大小與形態(tài)的結(jié)果，而不是總平布局關(guān)系的先決條件。因此，本文希望從設(shè)計的邏輯思維與機器學習算法模型特點入手，進一步探討利用生成對抗網(wǎng)絡(luò)實現(xiàn)特定用地條件的小學校園布局生成設(shè)計的方法與效果。

2 基于Pix2Pix模型的小學校園設(shè)計布局生成方法

生成對抗神經(jīng)網(wǎng)絡(luò)（Generative Adversarial Networks，簡稱GAN）是伊恩·古德費洛（Ian Goodfellow）于2014 年提出的一種機器學習方法[14]，它包括一個生成模型（Generative Model）和一個判別模型（Discriminative Model），通過兩者之間互相博弈的方式來讓模型能夠解釋真實的數(shù)據(jù)分布規(guī)律，進而生成新的圖像數(shù)據(jù)[15]。GAN與其衍生出的變種模型如CGAN、Pix2Pix（匹配圖像生成對抗網(wǎng)絡(luò)）、Pix2Pix_HD 等，被廣泛應(yīng)用于視覺與圖像領(lǐng)域，實現(xiàn)圖像補全、圖像生成（從文字到圖像以及從圖像到圖像等）、圖像風格轉(zhuǎn)換等功能。本文采用的Pix2Pix 模型是菲利普·伊索拉（Phillip Isola）等人2017 年在GAN 基礎(chǔ)上改進提出，將原有GAN 模型的輸入由隨機噪點改為圖片，并將輸入圖片與生成結(jié)果一起輸入判別器，最終實現(xiàn)從圖像到圖像的學習過程[16]。

本研究構(gòu)建的基于Pix2Pix 實現(xiàn)小學校園總平布局生成的主要流程：

（1）小學總平布局解析：解析小學校園總平面布局的基本組成部分與特點；

（2）構(gòu)建數(shù)據(jù)庫：收集和篩選小學校園案例，結(jié)合總平布局特點進行樣本標注，構(gòu)建小學校園總平面數(shù)據(jù)庫；

（3）模型建構(gòu)：利用構(gòu)建的數(shù)據(jù)庫劃分出來的訓練數(shù)據(jù)集訓練一個Pix2Pix 模型，實現(xiàn)校園總平布局生成；

（4）實驗測試：利用構(gòu)建的數(shù)據(jù)庫劃分出來的測試數(shù)據(jù)集測試訓練好的模型，對輸出數(shù)據(jù)進行定性與定量相結(jié)合的分析，評價Pix2Pix 模型的訓練效果。

2.1 小學總平布局解析

小學校園的總平布局設(shè)計是整個方案設(shè)計過程中極為重要的一步（圖1），需要綜合考慮學校辦學規(guī)模要求、各功能區(qū)使用需求與相互關(guān)系、交通流線等多種因素，合理安排校園各主要功能區(qū)位置，從而實現(xiàn)對資源高效合理的利用，并為進一步的深化設(shè)計奠定重要基礎(chǔ)。

1 小學校園方案設(shè)計流程圖

小學校園的基本功能區(qū)主要包括由各種教學用房（教學樓、實驗樓、辦公樓等）組成的教學區(qū)；由各種體育場、球類場地、體育館、游泳館等組成的體育活動區(qū)；由學生宿舍、食堂等組成的生活區(qū)、綠化景觀區(qū)等[17]。在進行總平布局設(shè)計時，應(yīng)以滿足師生教學活動及管理需求為原則，結(jié)合學校用地條件與各區(qū)的功能特點、物理環(huán)境要求、流線組織關(guān)系以及相關(guān)設(shè)計規(guī)范法規(guī)等對校園主要出入口和主要功能區(qū)進行合理安排和組織（圖2）。

2 中小學主要功能區(qū)關(guān)系簡圖

2.2 構(gòu)建數(shù)據(jù)庫

2.2.1 數(shù)據(jù)篩選

樣本數(shù)據(jù)的收集與標注是機器學習研究的基礎(chǔ)。小學校園總平設(shè)計樣本來自政府建設(shè)公告官網(wǎng)、各建筑設(shè)計網(wǎng)站以及建筑雜志與書籍等多種媒介，需要對收集到的樣本按一定的數(shù)據(jù)篩選規(guī)則進行篩選（圖3）?？紤]到氣候、地形地貌以及經(jīng)濟發(fā)展水平等條件對總平布局的影響，樣本來源集中在具有相似的氣候區(qū)、地形條件和開發(fā)建設(shè)強度的設(shè)計案例中，以減少不必要的樣本方差從而保證模型訓練效果。按篩選要求共收集到302 個小學校園總平設(shè)計樣本。

3 樣本數(shù)據(jù)篩選規(guī)則示意

2.2.2 數(shù)據(jù)處理與標注

收集到的樣本需要進一步統(tǒng)一比例和標注方式用于模型訓練。首先以標準籃球場作為換算統(tǒng)一比例的基準，將所有樣本比例調(diào)整為1:1800 放在240mm×240mm 大小的白色背景圖像上。然后使用不同的RGB 色塊來表示周邊道路、用地范圍、不同的功能建筑、運動場以及主要出入口（圖4）。

4 用不同RGB色塊表示的用地條件標簽和布局標簽（1-4繪制：林文強）

2.3 模型建構(gòu)

2.3.1 模型架構(gòu)

根據(jù)目前樣本的特點和規(guī)模以及從圖像到圖像的生成任務(wù)，我們采用基于cGAN 的Pix2Pix 作為小學校園總平布局生成的基本模型[16]。Pix2Pix模型中，生成器采用U-net 架構(gòu)[17]，判別器采用PatchGAN 架構(gòu)[18]（圖5）。

生成器（圖5，紅框所示）：生成器采用了16層卷積神經(jīng)網(wǎng)絡(luò)（CNN）的U-Net 結(jié)構(gòu)，每層網(wǎng)絡(luò)的神經(jīng)元個數(shù)分別為64,128,256,512,512,512,512,512,512,512,512,512,256,128,64,3，下采樣的卷積核與上采樣的反卷積核的大小均設(shè)置為4，步長均設(shè)置為2，這使得生成器的輸入與輸出均為相同的大?。?56×256），輸入的圖像先通過前半部分的卷積層進行關(guān)鍵信息提取，然后通過后半部分反卷積將提取到的信息轉(zhuǎn)譯為布局生成，通過淺層的特征圖短接到相應(yīng)大小的反卷積層，能夠使生成的布局圖像更好地保留場地形狀、大小和附近主干道信息等約束條件。

判別器（圖5，綠框所示）：判別器采用了5 層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，每層卷積網(wǎng)絡(luò)神經(jīng)元個數(shù)分別為64,128,256,512,1，判別器的輸入為生成器生成的圖像并接上生成器的輸入圖像，即需要判別真假的布局圖像和場地條件圖像。網(wǎng)絡(luò)的最后輸出為單通道32×32 的取值為0-1 的真假預測圖，預測圖上的每個數(shù)值對應(yīng)判別器輸入圖像的相應(yīng)位置上的70×70 大小圖像分塊的真假程度，取值接近0 說明判別器認為生成布局圖像上該圖像分塊的生成效果不佳，取值為1 則說明判別器認為該圖像分塊的生成效果接近真實布局圖像。

2.3.2 模型訓練與測試

模型訓練：Pix2Pix 模型訓練會同時使用生成器與判別器；損失函數(shù)采用二分類常用的交叉熵損失，用于度量判別器上每個相應(yīng)圖像分塊上真假分類的損失；模型優(yōu)化采用Adam 優(yōu)化器進行。在訓練過程中，我們會隨機抽取15%的數(shù)據(jù)集樣本作為測試集（45 個），其余樣本作為訓練集（257 個）。模型會將所有的樣本對學習一次，一個完整的周期稱為一次迭代，為了讓生成對抗網(wǎng)絡(luò)進行充分學習。在參數(shù)設(shè)置方面，我們把epochs 設(shè)為2000，迭代優(yōu)化次數(shù)設(shè)為2000 次。由于GAN 訓練的不穩(wěn)定性，初始學習率設(shè)置為較小的0.0002，在前600 次迭代保持初始學習率；在第600 次迭代后采用線性學習率衰減策略，每過100 個迭代學習率衰減為之前的0.1，優(yōu)化器動量參數(shù)設(shè)置為0.5。迭代過程中算法會利用訓練數(shù)據(jù)不斷優(yōu)化模型權(quán)重值，減少輸出圖像與真實圖像之間的損失值，從而使生成圖像越來越逼近真實圖像。

模型測試：當模型訓練完成后，在具有U-net架構(gòu)的生成器中輸入為帶有用地形狀和周邊道路標注的圖片，就能獲得輸出為相應(yīng)地條件下的總平布局圖，如圖5 紅框所示。

5 基于cGAN的Pix2Pix模型，包含生成器與判別器（繪制：梁凌宇）

2.4 實驗測試

將訓練集樣本輸入到訓練好的模型中輸出對應(yīng)的測試樣本，通過對測試輸入（input）、測試輸出（output）與真實樣本（ground-truth）進行對比來分析檢驗?zāi)Ｐ偷纳尚Чū?）。從整體上看，雖然大部分的生成結(jié)果與真實樣本并不完全一致，但主要出入口的選擇、功能布局關(guān)系等基本都能符合小學校園的設(shè)計要求，均具有很好的總平布局設(shè)計合理性，部分生成結(jié)果甚至優(yōu)于真實樣本的設(shè)計，如No.301 生成的布局較原有布局更注重教學樓、運動場長軸方向的南北朝向布置，而真實樣本與道路平行布置的方式并不能滿足設(shè)計規(guī)范的要求；No.296 將校園主要出入口設(shè)置在次路上，相比真實樣本來說能更好地避免學校主入口對城市交通的影響?？梢哉f，經(jīng)過訓練的Pix2Pix 能夠捕捉到用地條件與總平布局之間的映射關(guān)系，基本實現(xiàn)了預期的小學校園總平布局生成效果。下面主要從校園出口位置以及功能區(qū)關(guān)系等方面對45 個測試結(jié)果進行統(tǒng)計分析。

表1 訓練集測試的部分生成結(jié)果（繪制：林文強）

2.4.1 校園主要出入口位置

中小學校園主要出入口應(yīng)與市政道路相連，但要盡量避免設(shè)置在城市主干道上。首先統(tǒng)計生成結(jié)果與真實樣本中主要出入口位置位于不同等級周圍道路的占比情況（圖6），再從建筑設(shè)計專業(yè)角度進一步分析生成結(jié)果整體布局是否合理（搜集樣本時會刪掉設(shè)計明顯不合理的樣本數(shù)據(jù)，因而統(tǒng)計結(jié)果是否合理時，將生成結(jié)果與真實樣本的主入口一致的視為合理結(jié)果，表2）。結(jié)果表明，生成結(jié)果與真實樣本完全一致的占53.4%，當有兩條或以上的周圍道路時，生成的主入口大部分位于次路，符合小學校園主入口與城市道路關(guān)系的一般設(shè)計需求。部分不一致的生成結(jié)果中有28.8%的測試結(jié)果屬于雖不一致但合理甚至更好的情況?？傮w來看，82.2%的生成結(jié)果具有合理的主入口選擇。

6 生成結(jié)果主入口位置的道路等級情況

表2 主入口選擇結(jié)果綜合評價（繪制：林文強）

2.4.2 教學樓與體育館、體育場的布局關(guān)系

體育館、體育場屬于小學校園體育區(qū)部分，是學生進行體育教學、比賽及運動鍛煉的主要場所，其與教學區(qū)的布局關(guān)系需要注意噪聲控制方面要求。體育場與教學區(qū)的布局關(guān)系一般可以分為并列式、環(huán)繞式和復合式3 種模式，體育館依據(jù)其規(guī)模大小與教學區(qū)可分為獨立式、串聯(lián)式和組合式3 種組織方式。

將生成結(jié)果的教學樓與體育館、體育場的布局關(guān)系按上述模式進行統(tǒng)計（表3），可以發(fā)現(xiàn)有95.6%的生成結(jié)果中包含體育館，其中91.2%是獨立式布局，這既符合我們訓練集樣本中大部分體育館的布局模式，也符合一般條件下小學校園的設(shè)計思維。全部生成結(jié)果都包含體育場，且體育場與教學樓都是并列式布局模式，最大限度地避免相互干擾。

表3 生成結(jié)果的教學樓與體育館、體育場布局模式統(tǒng)計表（繪制：林文強）

2.4.3 教學樓朝向與體育場長軸方向

考慮到采光與日照的需要，中小學校的教學樓應(yīng)盡量爭取南北向布置，或南偏東一定角度。同時，由于地球磁場和太陽眩光等因素影響，《中小學建筑設(shè)計規(guī)范》也明確提出體育場長軸宜南北向布置，因此教學樓朝向和體育場長軸方向是否滿足南北向布置也是小學布局設(shè)計合理性的一個重要評價因素。

通過統(tǒng)計 45 個生成結(jié)果、45 個真實樣本以及257 個訓練樣本中教學樓朝向和體育館長軸方向在0°～180°分布情況（表4、圖7），可以發(fā)現(xiàn)，相較于真實案例和訓練樣本，生成結(jié)果中教學樓和體育場長軸是正南北朝向的占比更大，均超過80%，整體上優(yōu)于真實案例和其他訓練樣本對設(shè)計規(guī)范中南北朝向的考慮，具有更好地合理性。

表4 教學樓朝向與體育場長軸方向分布情況統(tǒng)計（繪制：林文強）

7 教學樓朝向和體育場長軸方向分布概率圖（6.7繪制：林文強）

2.4.4 教學樓的噪聲間距

教學樓的噪聲控制分為教學樓樓間噪聲控制和教學樓與室外體育場噪聲控制兩個方面，規(guī)范要求間距控制均為不小于25m。樣本庫中教學樓均為單側(cè)布房，統(tǒng)一總進深為11m，包括教室8m 和走廊3m，故只需教學樓間距不小于22m 即可滿足噪聲間距要求。教學樓與室外體育場間距核算方式為：當室外體育場在教學樓南側(cè)時，室外體育場邊緣與教學樓邊緣最近的垂直距離不小于 22m，當室外體育場在教學樓北側(cè)時，則該距離不小于25m（在一般的中小學設(shè)計中，對于單側(cè)布房的教學樓，考慮到陽光直射的眩光問題，常將走廊布置在南側(cè)，教室布置在北側(cè)）。

所有 45 個生成結(jié)果的噪聲間距統(tǒng)計結(jié)果見表5。生成結(jié)果中超過90%符合間距控制要求，其中教學樓樓間間距占比為 93.3%，教學樓與體育場間距占比為 95.6%，其中不符合要求的生成結(jié)果其間距計算值僅比22m 略小，原因可能在于數(shù)據(jù)標記過程中的細微誤差以及樣本壓縮過后圖片分辨率過小而導致的統(tǒng)計精度誤差?？傮w來說，訓練好地模型在教學樓噪聲間距控制方面很好地掌握了設(shè)計規(guī)范的要求。

表5 生成結(jié)果噪聲間距統(tǒng)計結(jié)果（繪制：林文強）

2.4.5 功能一致性

進一步對測試樣本的生成結(jié)果與原始樣本的功能要素組成是否一致進行統(tǒng)計與分析，原始樣本具有的某功能要素在生成結(jié)果中也有的即視為一致，原始樣本具有的某功能要素在生成結(jié)果中沒有即視為不一致，統(tǒng)計結(jié)果詳見表6。在45 個測試樣本中，教學樓、走廊、體育場3 種功能的生成結(jié)果都達到了100%的一致性，體育館的一致性達到93%，其中No.270 和No.273 未生成體育館功能，No.275原始樣本未包含體育館，測試樣本自己生成了體育館功能，且與運動場相鄰。報告廳功能的一致性為51%，其中No.293，No.295 等16 個測試結(jié)果未生成報告廳功能，No.296，No.301 等6 個真實樣本沒有而測試結(jié)果自己生成報告廳功能，且這些報告廳都與教學樓毗鄰，布局關(guān)系具有一定的合理性。整體來看，體育館和報告廳不一致樣本中，生成結(jié)果的校園主要出入口位置大部分與原樣本不一致，甚至選在了另一條道路上，部分樣本更強調(diào)教學樓的南北向布局而非與道路平行，這些都導致生成結(jié)果功能布局與組成和真實樣本有較大差異。此外，用作訓練的302 個樣本本身包含教學樓、連廊、體育場功能要素的樣本占100%，含有體育館功能的樣本有265 個，占比87.7%，而含有獨立報告廳功能的樣本僅102 個，約占33.8%，也一定程度上影響了模型對于該功能的學習效果。

表6 功能要素一致性統(tǒng)計結(jié)果（繪制：鄧巧明）

3 結(jié)論

本文從設(shè)計的邏輯思維過程與機器學習算法模型特點入手，以小學校園總平布局設(shè)計為研究對象，探討利用對抗生成網(wǎng)絡(luò)實現(xiàn)基于特定用地條件的校園總平布局生成設(shè)計的思路與方法。研究結(jié)果表明，依據(jù)建筑設(shè)計專業(yè)思維與任務(wù)特點構(gòu)建生成對抗網(wǎng)絡(luò)模型能夠獲得更好的總平布局生成效果。

與此同時，我們也看到，在將機器學習方法引入到建筑設(shè)計領(lǐng)域的探索中時，既要學習了解計算機領(lǐng)域各種機器學習算法模型的特點與適用領(lǐng)域，也要重視結(jié)合建筑學專業(yè)自身的特點。在模型構(gòu)建階段，需要充分結(jié)合專業(yè)設(shè)計特點與任務(wù)特點去選擇合適的機器學習模型，構(gòu)建具有建筑設(shè)計邏輯的輸入與輸出數(shù)據(jù)的映射變換，才能獲得更好的生成效果。在評價訓練后的模型效果時，同樣不能簡單按生成樣本與真實樣本的相似程度判斷結(jié)果的好壞，建筑學專業(yè)評價有其特殊性，以總平布局為例，相同用地條件與功能需求往往有多個合理的布局設(shè)計模式，需要結(jié)合專業(yè)特點才能對生成結(jié)果得出更為全面客觀的評價。

雖然本文構(gòu)建的思路與方法只能面向特定的小學校園總平布局設(shè)計類型，且需要在訓練數(shù)據(jù)庫的構(gòu)建中有較多人工，但從生成結(jié)果來看，絕大部分案例具有很好的總平布局合理性，甚至部分測試結(jié)果優(yōu)于原有的真實樣本，這讓我們看到了基于數(shù)據(jù)驅(qū)動的機器學習方法在生成設(shè)計研究中的潛力和可能性?！?/p>

注釋

1）實驗設(shè)備硬件環(huán)境：CPU為Intel i7-8700K，GPU為NVIDIA GeForce GTX2080（顯存6G）。實驗代碼采用Pix2pix，代碼運行環(huán)境Python版本3.7，系統(tǒng)環(huán)境Ubuntu18.04，生成器采用U-net架構(gòu)，判別器算法采用PatchGAN架構(gòu)。