本文共 1835 字,大约阅读时间需要 6 分钟。
新建一个文件network.py 用来定义我们的生成器和判别器的模型
# -*- coding: UTF-8 -*-"""DCGAN 深层卷积的生成对抗网络"""import keras as tf.keras
首先定义判别器模型
有一个卷积的判别器和一个反卷积的生成器。卷积的判别器判断我们生成的样本和真实的样本是否匹配。
反卷积的生成器用于从一些随机的噪声数据。矩阵一样的数据生成我们的假样本。
由简单到复杂地反向生成。
逐层深入 “抽丝剥茧” 地 “理解” 一张图片或其他事物
我们之前使用过的卷积神经网络是这样的。我们判别器模型就类似于这个卷积神经网络的图。
输入一张图片一层一层抽丝剥茧地提取元素。我们先写判别器,因为它是一个正向的传播网络。而DCGAN里面的生成器却是一个有点类似反向的卷积神经网络的。
从噪声去生成最后的图片。
# 定义判别器模型def discriminator_model(): # sequential,线性堆叠器。逐层添加网络 model = tf.keras.models.Sequential() # 添加一层卷积: model.add(tf.keras.layers.Conv2D( 64, # 64 个过滤器,输出的深度(depth)是 64 (5, 5), # 过滤器在二维的大小是(5 * 5) padding='same', # same 表示输出的大小不变,因此需要在外围补零2圈 input_shape=(64, 64, 3) # 输入形状 [64, 64, 3]。3 表示 RGB 三原色 )) model.add(tf.keras.layers.Activation("tanh")) # 添加 Tanh 激活层 model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2))) # 池化层 model.add(tf.keras.layers.Conv2D(128, (5, 5))) model.add(tf.keras.layers.Activation("tanh")) model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2))) model.add(tf.keras.layers.Conv2D(128, (5, 5))) model.add(tf.keras.layers.Activation("tanh")) model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2))) model.add(tf.keras.layers.Flatten()) # 扁平化 model.add(tf.keras.layers.Dense(1024)) # 1024 个神经元的全连接层 model.add(tf.keras.layers.Activation("tanh")) model.add(tf.keras.layers.Dense(1)) # 1 个神经元的全连接层 model.add(tf.keras.layers.Activation("sigmoid")) # 添加 Sigmoid 激活层 return model
定义判别器之后再去定义生成器,就有点像把模型倒转一下的操作。sequential像一个汉堡包的模子。我们可以通过add方法去添加层。
keras.layer中的层都可以被添加进来。conv2d
64个过滤器对于图像进行64次扫描。每扫描一次输出的深度就增加一层。
(5,5) 过滤器在二维平面的高和宽,扫描的区域
第三个参数是是否补padding。 补0,same表示输出的大小不变,因此需要在外围补零两圈。
输入形状 64 64 3 彩色图片
tanh激活层,池化层(maxpooling),宽高各缩小2 (亚采样)
128个过滤器 过滤器大小。
全连接层输出维度1024
转载地址:http://hocjo.baihongyu.com/