Comparison of Chainer's dcgan example between in FP32 mode and in FP16 mode

dcgan_fp16

$ CHAINER_DTYPE=float16 python train_dcgan.py -d 0
Device: @cupy:0
# Minibatch-size: 50
# n_hidden: 100
# epoch: 1000

epoch       iteration   gen/loss    dis/loss  ................]  0.01%
0           100         nan         nan
0           200         nan         nan
0           300         nan         nan
0           400         nan         nan
0           500         nan         nan
0           600         nan         nan
0           700         nan         nan
0           800         nan         nan
0           900         nan         nan
1           1000        nan         nan
1           1100        nan         nan
1           1200        nan         nan
1           1300        nan         nan
1           1400        nan         nan
1           1500        nan         nan
1           1600        nan         nan
1           1700        nan         nan
1           1800        nan         nan
1           1900        nan         nan
2           2000        nan         nan
2           2100        nan         nan
2           2200        nan         nan
2           2300        nan         nan
2           2400        nan         nan
2           2500        nan         nan
2           2600        nan         nan
2           2700        nan         nan
2           2800        nan         nan
2           2900        nan         nan
3           3000        nan         nan
3           3100        nan         nan
3           3200        nan         nan
3           3300        nan         nan
3           3400        nan         nan
3           3500        nan         nan
3           3600        nan         nan
3           3700        nan         nan
3           3800        nan         nan
3           3900        nan         nan
...

dcgan_fp32

$ python train_dcgan.py -d 0
Device: @cupy:0
# Minibatch-size: 50
# n_hidden: 100
# epoch: 1000

epoch       iteration   gen/loss    dis/loss  ................]  0.01%
0           100         1.36729     1.70036
0           200         1.05911     1.39986
0           300         0.8962      1.37879
0           400         1.18072     1.25942
0           500         1.58481     0.95768
0           600         0.966862    1.34283
0           700         0.964553    1.3054
0           800         1.45845     1.09906
0           900         1.5795      0.991304
1           1000        1.92293     0.940691
1           1100        1.71312     0.924229
1           1200        1.42584     1.16963
1           1300        1.58338     0.933945
1           1400        1.44867     1.12133
1           1500        1.48926     1.00477
1           1600        1.65783     0.971421
1           1700        1.3983      1.15322
1           1800        1.54752     1.00439
1           1900        1.442       1.0563
2           2000        1.60031     0.968116
2           2100        1.40266     1.12639
2           2200        1.45351     1.05327
2           2300        1.48971     0.995408
2           2400        1.5162      1.02328
2           2500        1.45729     1.02267
2           2600        1.4148      1.03601
2           2700        1.49699     1.00479
2           2800        1.71598     0.885762
2           2900        1.54374     1.04083
3           3000        1.55792     1.04438
3           3100        1.51615     0.953852
3           3200        1.29792     1.09466
3           3300        1.54899     0.965764
3           3400        1.68514     0.872914
3           3500        1.54683     1.06491
3           3600        1.47871     1.0106
3           3700        1.58115     0.994612
3           3800        1.44715     1.04719
3           3900        1.53162     0.963249
...

runtime_info

$ python
Python 3.7.3 (default, Mar 27 2019, 22:11:17)
[GCC 7.3.0] :: Anaconda, Inc. on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import chainer
>>> chainer.print_runtime_info()
Platform: Linux-4.15.0-50-generic-x86_64-with-debian-buster-sid
Chainer: 6.0.0
NumPy: 1.16.4
CuPy:
  CuPy Version          : 6.0.0
  CUDA Root             : /usr/local/cuda
  CUDA Build Version    : 10000
  CUDA Driver Version   : 10000
  CUDA Runtime Version  : 10000
  cuDNN Build Version   : 7500
  cuDNN Version         : 7500
  NCCL Build Version    : 2402
  NCCL Runtime Version  : 2402
iDeep: 2.0.0.post3
>>>