营销型网站排,成都全美网站建设,wordpress谷歌收录,剪辑课程哪里培训最好Mindspore框架DCGAN模型实现漫画头像生成
Mindspore框架DCGAN模型实现漫画头像生成|#xff08;一#xff09;漫画头像数据集准备Mindspore框架DCGAN模型实现漫画头像生成|#xff08;二#xff09;DCGAN模型构建Mindspore框架DCGAN模型实现漫画头像生成|#xff08;三一漫画头像数据集准备Mindspore框架DCGAN模型实现漫画头像生成|二DCGAN模型构建Mindspore框架DCGAN模型实现漫画头像生成|三DCGAN模型训练和推理Mindspore框架DCGAN模型实现漫画头像生成|四应用程序生成实践 Mindspore框架DCGAN模型实现漫画头像生成|二DCGAN模型构建
DCGAN全称是 Deep Convolution Generative Adversarial Networks深度卷积生成对抗网络。
1. DCGAN模型特点
make GAN CNN more stable and deeper能够产生更高分辨率的图像全卷积网络all convolutional net用步幅卷积strided convolutions替代确定性空间池化函数deterministic spatial pooling functions比如最大池化让网络自己学习downsampling方式。作者对 generator 和 discriminator 都采用了这种方法。取消全连接层使用 全局平均池化global average pooling替代 fully connected layer。global average pooling会降低收敛速度但是可以提高模型的稳定性。GAN的输入采用均匀分布初始化可能会使用全连接层(矩阵相乘),然后得到的结果可以reshape成一个4 dimension的tensor然后后面堆叠卷积层即可对于鉴别器最后的卷积层可以先flatten,然后送入一个sigmoid分类器。批归一化Batch NormalizationBN 被证明是深度学习中非常重要的 加速收敛 和 减缓过拟合 的手段。这样有助于解决 poor initialization 问题并帮助梯度流向更深的网络。防止G把所有rand input都折叠到一个点同时防止样本震荡和模型的不稳定只对生成器(G)的输出层和鉴别器(D)的输入层使用BN。Leaky Relu 激活函数 生成器(G)输出层使用tanh 激活函数其余层使用relu 激活函数。鉴别器(D)都采用leaky rectified activation。DCGAN生成器G的结构如下
2. 构造网络生成器G
生成器G的功能是将隐向量z映射到数据空间。由于数据是图像这一过程也会创建与真实图像大小相同的 RGB 图像。
import mindspore as ms
from mindspore import nn, ops
from mindspore.common.initializer import Normalweight_init Normal(mean0, sigma0.02)
gamma_init Normal(mean1, sigma0.02)# 通过输入部分中设置的nz、ngf和nc来影响代码中的生成器结构。
class Generator(nn.Cell):DCGAN网络生成器def __init__(self):super(Generator, self).__init__()self.generator nn.SequentialCell(nn.Conv2dTranspose(nz, ngf * 8, 4, 1, valid, weight_initweight_init),nn.BatchNorm2d(ngf * 8, gamma_initgamma_init),nn.ReLU(),nn.Conv2dTranspose(ngf * 8, ngf * 4, 4, 2, pad, 1, weight_initweight_init),nn.BatchNorm2d(ngf * 4, gamma_initgamma_init),nn.ReLU(),nn.Conv2dTranspose(ngf * 4, ngf * 2, 4, 2, pad, 1, weight_initweight_init),nn.BatchNorm2d(ngf * 2, gamma_initgamma_init),nn.ReLU(),nn.Conv2dTranspose(ngf * 2, ngf, 4, 2, pad, 1, weight_initweight_init),nn.BatchNorm2d(ngf, gamma_initgamma_init),nn.ReLU(),nn.Conv2dTranspose(ngf, nc, 4, 2, pad, 1, weight_initweight_init),nn.Tanh())def construct(self, x):return self.generator(x)generator Generator()注意nz是隐向量z的长度ngf与通过生成器传播的特征图的大小有关nc是输出图像中的通道数。
2. 构造网络判别器D
判别器D是一个二分类网络模型输出判定该图像为真实图的概率。形如
通过一系列的Conv2d、BatchNorm2d和LeakyReLU层对其进行处理最后通过Sigmoid激活函数得到最终概率。
class Discriminator(nn.Cell):DCGAN网络判别器def __init__(self):super(Discriminator, self).__init__()self.discriminator nn.SequentialCell(nn.Conv2d(nc, ndf, 4, 2, pad, 1, weight_initweight_init),nn.LeakyReLU(0.2),nn.Conv2d(ndf, ndf * 2, 4, 2, pad, 1, weight_initweight_init),nn.BatchNorm2d(ngf * 2, gamma_initgamma_init),nn.LeakyReLU(0.2),nn.Conv2d(ndf * 2, ndf * 4, 4, 2, pad, 1, weight_initweight_init),nn.BatchNorm2d(ngf * 4, gamma_initgamma_init),nn.LeakyReLU(0.2),nn.Conv2d(ndf * 4, ndf * 8, 4, 2, pad, 1, weight_initweight_init),nn.BatchNorm2d(ngf * 8, gamma_initgamma_init),nn.LeakyReLU(0.2),nn.Conv2d(ndf * 8, 1, 4, 1, valid, weight_initweight_init),)self.adv_layer nn.Sigmoid()def construct(self, x):out self.discriminator(x)out out.reshape(out.shape[0], -1)return self.adv_layer(out)discriminator Discriminator()模型结构输出
