SRGAN loss部分的mindspore代码实现

2024-01-07 16:38

本文主要是介绍SRGAN loss部分的mindspore代码实现,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!

转载地址:https://bbs.huaweicloud.com/forum/thread-137103-1-1.html

作者: 雨丝儿

pytorch代码实现:https://bbs.huaweicloud.com/forum/forum.php?mod=viewthread&tid=137101

接上篇帖子 ,本贴分享mindspore代码的实现:

import mindspore.common.dtype as mstype

import mindspore.nn as nn

import mindspore.ops as ops

from src.vgg19.define import vgg19

from src.loss.Meanshift import MeanShift

对于Discriminator:

class DiscriminatorLoss(nn.Cell):

    """Loss for discriminator"""

    def __init__(self, discriminator, generator):

        super(DiscriminatorLoss, self).__init__()

        self.discriminator = discriminator

        self.generator = generator

        self.adversarial_criterion = nn.BCELoss()

        ones = ops.Ones()

        zeros = ops.Zeros()

        self.real_lable = ones((16, 1), mstype.float32)

        self.fake_lable = zeros((16, 1), mstype.float32)

    def construct(self, HR_img, LR_img):

        """dloss"""

        hr = HR_img

        lr = LR_img

        # Generating fake high resolution images from real low resolution images.

        sr = self.generator(lr)

        # Let the discriminator realize that the sample is real.

        real_output = self.discriminator(hr)

        d_loss_real = self.adversarial_criterion(real_output, self.real_lable)

        # Let the discriminator realize that the sample is false.

        fake_output = self.discriminator(sr)

        d_loss_fake = self.adversarial_criterion(fake_output, self.fake_lable)

        d_loss = d_loss_fake+d_loss_real

        return  d_loss

class GeneratorLoss(nn.Cell):

    """Loss for generator"""

    def __init__(self, discriminator, generator, vgg_ckpt):

        super(GeneratorLoss, self).__init__()

        self.discriminator = discriminator

        self.generator = generator

        self.mse_loss = nn.MSELoss()

        self.adversarial_criterion = nn.BCELoss()

        ones = ops.Ones()

        self.real_lable = ones((16, 1), mstype.float32)

        self.meanshif = MeanShift()

        self.vgg = vgg19(vgg_ckpt)

        for p in self.meanshif.get_parameters():

            p.requires_grad = False

    def construct(self, HR_img, LR_img):

        """gloss"""

        # L2loss

        hr = HR_img

        lr = LR_img

        sr = self.generator(lr)

        L2_loss = self.mse_loss(sr, hr)

        # adversarialloss

        fake_output = self.discriminator(sr)

        adversarial_loss = self.adversarial_criterion(fake_output, self.real_lable)

        # vggloss

        hr = (hr+1.0)/2.0

        sr = (sr+1.0)/2.0

        hr = self.meanshif(hr)

        sr = self.meanshif(sr)

        hr_feat = self.vgg(hr)

        sr_feat = self.vgg(sr)

        percep_loss = self.mse_loss(hr_feat, sr_feat)

        g_loss = 0.006*percep_loss+1e-3*adversarial_loss+L2_loss

        return  g_loss

这篇关于SRGAN loss部分的mindspore代码实现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/580566

相关文章

Spring Retry 实现乐观锁重试实践记录

《SpringRetry实现乐观锁重试实践记录》本文介绍了在秒杀商品SKU表中使用乐观锁和MybatisPlus配置乐观锁的方法,并分析了测试环境和生产环境的隔离级别对乐观锁的影响,通过简单验证,... 目录一、场景分析 二、简单验证 2.1、可重复读 2.2、读已提交 三、最佳实践 3.1、配置重试模板

Java中有什么工具可以进行代码反编译详解

《Java中有什么工具可以进行代码反编译详解》:本文主要介绍Java中有什么工具可以进行代码反编译的相关资,料,包括JD-GUI、CFR、Procyon、Fernflower、Javap、Byte... 目录1.JD-GUI2.CFR3.Procyon Decompiler4.Fernflower5.Jav

Vue项目的甘特图组件之dhtmlx-gantt使用教程和实现效果展示(推荐)

《Vue项目的甘特图组件之dhtmlx-gantt使用教程和实现效果展示(推荐)》文章介绍了如何使用dhtmlx-gantt组件来实现公司的甘特图需求,并提供了一个简单的Vue组件示例,文章还分享了一... 目录一、首先 npm 安装插件二、创建一个vue组件三、业务页面内 引用自定义组件:四、dhtmlx

javaScript在表单提交时获取表单数据的示例代码

《javaScript在表单提交时获取表单数据的示例代码》本文介绍了五种在JavaScript中获取表单数据的方法:使用FormData对象、手动提取表单数据、使用querySelector获取单个字... 方法 1:使用 FormData 对象FormData 是一个方便的内置对象,用于获取表单中的键值

Vue ElementUI中Upload组件批量上传的实现代码

《VueElementUI中Upload组件批量上传的实现代码》ElementUI中Upload组件批量上传通过获取upload组件的DOM、文件、上传地址和数据,封装uploadFiles方法,使... ElementUI中Upload组件如何批量上传首先就是upload组件 <el-upl

Docker部署Jenkins持续集成(CI)工具的实现

《Docker部署Jenkins持续集成(CI)工具的实现》Jenkins是一个流行的开源自动化工具,广泛应用于持续集成(CI)和持续交付(CD)的环境中,本文介绍了使用Docker部署Jenkins... 目录前言一、准备工作二、设置变量和目录结构三、配置 docker 权限和网络四、启动 Jenkins

Python3脚本实现Excel与TXT的智能转换

《Python3脚本实现Excel与TXT的智能转换》在数据处理的日常工作中,我们经常需要将Excel中的结构化数据转换为其他格式,本文将使用Python3实现Excel与TXT的智能转换,需要的可以... 目录场景应用:为什么需要这种转换技术解析:代码实现详解核心代码展示改进点说明实战演练:从Excel到

如何使用CSS3实现波浪式图片墙

《如何使用CSS3实现波浪式图片墙》:本文主要介绍了如何使用CSS3的transform属性和动画技巧实现波浪式图片墙,通过设置图片的垂直偏移量,并使用动画使其周期性地改变位置,可以创建出动态且具有波浪效果的图片墙,同时,还强调了响应式设计的重要性,以确保图片墙在不同设备上都能良好显示,详细内容请阅读本文,希望能对你有所帮助...

C# string转unicode字符的实现

《C#string转unicode字符的实现》本文主要介绍了C#string转unicode字符的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随... 目录1. 获取字符串中每个字符的 Unicode 值示例代码:输出:2. 将 Unicode 值格式化

python安装whl包并解决依赖关系的实现

《python安装whl包并解决依赖关系的实现》本文主要介绍了python安装whl包并解决依赖关系的实现,文中通过图文示例介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面... 目录一、什么是whl文件?二、我们为什么需要使用whl文件来安装python库?三、我们应该去哪儿下