【Tensorflow tf 掏粪记录】笔记六——DCGAN

2023-11-22 11:20

本文主要是介绍【Tensorflow tf 掏粪记录】笔记六——DCGAN,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

DC_GAN与之前的生成MNIST数据集的项目一样,同样是利用了GAN神经网络的特性。让机器学会模仿并生成类似的图片。
只是这里不同的是,鉴别器的神经网路由全连接神经网络改成了卷积神经网络。同样的,生成器的神经网络也变成了反卷积神经网络,毕竟这次的SVHM数据集比MNIST数据集复杂。下图是DCGAN论文中关于反卷积的图片:
这里写图片描述

项目代码

https://github.com/IronMastiff/DC_GAN

反卷积


整个项目中最最关键的就是反卷积操作,通过反卷积来生成我们所期待的图片。反卷积操作中少了我们卷积操作中熟悉的各种pooling层。我用tf.layers.conv2d_transpose()来实现的反卷积。在这里我反卷积的步长选择的是2,因为我是希望整个反卷积操作输出的是32 * 32 * 3 的图片。因为SVHM数据集的单个图片的大小就是32 * 32 * 3。当然了卷积padding要使用same,方便自己计算输出的维度大小。

生成器


生成器就是反卷积操作的运用。我用了3层反卷积操作,把输入的一维白噪音变成32 * 32 * 3 的图片。

使用tf.variable_scope()为了以后方便只保存generator的权重。毕竟训练完成后,鉴别器是不需要的。仿照论文,白噪音通过全连接层后进入反卷积层。卷积过程中没有用任何的激活函数,只是在最后使用了tanh作为激活函数。

def generator( z, output_dim, reuse = False, alpha = 0.2, training = True ):with tf.variable_scope( 'generator', reuse = reuse ):# First fully connect layerx1 = tf.layers.dense( z, 4 * 4 * 512 )# Reshape it to start the convelutional stackx1 = tf.reshape( x1, ( -1, 4, 4, 512 ) )x1 = tf.layers.batch_normalization( x1, training = training )x1 = tf.maximum( x1, alpha * x1 )# 4 * 4 *  512x2 = tf.layers.conv2d_transpose( x1, 256, 5, strides = 2, padding = 'same' )x2 = tf.layers.batch_normalization( x2, training = training )x2 = tf.maximum( x2, alpha * x2 )# 8 * 8 * 256x3 = tf.layers.conv2d_transpose( x2, 128, 5, strides = 2, padding = 'same' )x3 = tf.layers.batch_normalization( x3, training = training )x3 = tf.maximum( x3, alpha * x3 )# 16 * 16 * 128logits = tf.layers.conv2d_transpose( x3, output_dim, 5, strides = 2, padding = 'same' )# 32 * 32 * output_dimout = tf.tanh( logits )return out

鉴别器

鉴别器还是老样子,输入的是真实的数据集中的图片与生成器生成的图片。鉴别器的任务就是鉴别出图片是生成器生成的还是真实的数据集的图片。

我采用3层卷积操作外加一个全连接层来识别图像的真伪。卷积层采用Leky_Relu作为激活函数,全连接层采用sigmoid作为激活函数。要是鉴别器识别的任务加上图片中的内容的话那就成了半监督学习了。

def discriminator( x, reuse = False, alpha = 0.2 ):with tf.variable_scope( 'discriminator', reuse = reuse ):x1 = tf.layers.conv2d( x, 64, 5, strides = 2, padding = 'same' )relu1= tf.maximum( x1, alpha * x1 )# 16 * 16 * 64x2 = tf.layers.conv2d( relu1, 128, 5, strides = 2, padding = 'same' )bn2 = tf.layers.batch_normalization( x2, training = True )relu2 = tf.maximum( bn2, alpha * bn2 )# 8 * 8 * 128x3 = tf.layers.conv2d( relu2, 256, 5, strides = 2, padding = 'same' )bn3 = tf.layers.batch_normalization( x3, training = True )relu3 = tf.maximum( bn3, bn3 * alpha )# 4 * 4 * 256# Flatten itflat = tf.reshape( relu3, ( -1, 4 * 4 * 256 ) )logits = tf.layers.dense( flat, 1 )out = tf.sigmoid( logits )return out, logits

这篇关于【Tensorflow tf 掏粪记录】笔记六——DCGAN的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/409766

相关文章

Java使用SLF4J记录不同级别日志的示例详解

《Java使用SLF4J记录不同级别日志的示例详解》SLF4J是一个简单的日志门面,它允许在运行时选择不同的日志实现,这篇文章主要为大家详细介绍了如何使用SLF4J记录不同级别日志,感兴趣的可以了解下... 目录一、SLF4J简介二、添加依赖三、配置Logback四、记录不同级别的日志五、总结一、SLF4J

在Spring Boot中浅尝内存泄漏的实战记录

《在SpringBoot中浅尝内存泄漏的实战记录》本文给大家分享在SpringBoot中浅尝内存泄漏的实战记录,结合实例代码给大家介绍的非常详细,感兴趣的朋友一起看看吧... 目录使用静态集合持有对象引用,阻止GC回收关键点:可执行代码:验证:1,运行程序(启动时添加JVM参数限制堆大小):2,访问 htt

MySQL 中查询 VARCHAR 类型 JSON 数据的问题记录

《MySQL中查询VARCHAR类型JSON数据的问题记录》在数据库设计中,有时我们会将JSON数据存储在VARCHAR或TEXT类型字段中,本文将详细介绍如何在MySQL中有效查询存储为V... 目录一、问题背景二、mysql jsON 函数2.1 常用 JSON 函数三、查询示例3.1 基本查询3.2

利用Python快速搭建Markdown笔记发布系统

《利用Python快速搭建Markdown笔记发布系统》这篇文章主要为大家详细介绍了使用Python生态的成熟工具,在30分钟内搭建一个支持Markdown渲染、分类标签、全文搜索的私有化知识发布系统... 目录引言:为什么要自建知识博客一、技术选型:极简主义开发栈二、系统架构设计三、核心代码实现(分步解析

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢?我尝试一种更为智能的方法:P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验,

Spring Boot 配置文件之类型、加载顺序与最佳实践记录

《SpringBoot配置文件之类型、加载顺序与最佳实践记录》SpringBoot的配置文件是灵活且强大的工具,通过合理的配置管理,可以让应用开发和部署更加高效,无论是简单的属性配置,还是复杂... 目录Spring Boot 配置文件详解一、Spring Boot 配置文件类型1.1 applicatio

MySQL INSERT语句实现当记录不存在时插入的几种方法

《MySQLINSERT语句实现当记录不存在时插入的几种方法》MySQL的INSERT语句是用于向数据库表中插入新记录的关键命令,下面:本文主要介绍MySQLINSERT语句实现当记录不存在时... 目录使用 INSERT IGNORE使用 ON DUPLICATE KEY UPDATE使用 REPLACE

Python 中的异步与同步深度解析(实践记录)

《Python中的异步与同步深度解析(实践记录)》在Python编程世界里,异步和同步的概念是理解程序执行流程和性能优化的关键,这篇文章将带你深入了解它们的差异,以及阻塞和非阻塞的特性,同时通过实际... 目录python中的异步与同步:深度解析与实践异步与同步的定义异步同步阻塞与非阻塞的概念阻塞非阻塞同步

Python Dash框架在数据可视化仪表板中的应用与实践记录

《PythonDash框架在数据可视化仪表板中的应用与实践记录》Python的PlotlyDash库提供了一种简便且强大的方式来构建和展示互动式数据仪表板,本篇文章将深入探讨如何使用Dash设计一... 目录python Dash框架在数据可视化仪表板中的应用与实践1. 什么是Plotly Dash?1.1

Spring Boot中定时任务Cron表达式的终极指南最佳实践记录

《SpringBoot中定时任务Cron表达式的终极指南最佳实践记录》本文详细介绍了SpringBoot中定时任务的实现方法,特别是Cron表达式的使用技巧和高级用法,从基础语法到复杂场景,从快速启... 目录一、Cron表达式基础1.1 Cron表达式结构1.2 核心语法规则二、Spring Boot中定