网站初始开发的步骤,wordpress注册页面的标志,云主题 wordpress,二维码生成短链接DCGAN 使用指南#xff1a;将卷积神经网络和对抗网络结合 网络结构细节设计 论文地址#xff1a;https://arxiv.org/abs/1511.06434
项目代码#xff1a;https://github.com/tensorlayer/DCGAN.git
DCGAN 适用于生成小尺寸的图像#xff0c;并且具有简单易用的优势
Styl… DCGAN 使用指南将卷积神经网络和对抗网络结合 网络结构细节设计 论文地址https://arxiv.org/abs/1511.06434
项目代码https://github.com/tensorlayer/DCGAN.git
DCGAN 适用于生成小尺寸的图像并且具有简单易用的优势
StyleGAN 适用于生成高分辨率、高质量的图像并且具有对风格的精细控制能力。
具体选择哪个方法取决于应用需求和数据的特点。
网络结构 如上图生成器的输入是一个 100 维的噪声向量。
再将100维向量变成 4*4*1024 的张量将原始的一维数据扩展到更高维度以便能够利用卷积、池化、全连接等操作进行计算和学习。
可理解为将原始数据映射到一个 4*4 的二维空间并在每个位置上用 1024 个通道表示特征。
把 4*4*1024 的张量增大为 8*8*512 张量是反卷积操作。 卷积操作用于从输入数据中提取特征参数共享输出尺寸减小。卷积操作通常导致尺寸的减小。 反卷积操作用于将低维特征图恢复到原始输入尺寸参数共享在逆卷积过程中对输入的重复采样反卷积操作通常导致尺寸的增大。
经过 4 个反卷积层每次分辨率都提升 2 倍最终得到 64*64*3。
判别器把生成的图像送入输出一个概率。 把图像不断降低 2 倍最后变成 4*4*512是生成器的反向。
细节设计 去除全连接层使用步长卷积代替池化 去除全连接层减少了参数量并保留了空间信息而使用步长卷积避免了信息丢失并提取更好的特征提升了 DCGAN 的性能和生成图像质量。 生成器输出层使用tanh其他层使用ReLU 使用tanh激活函数作为生成器输出层的选择是为了限制生成图像的范围使其与真实图像的像素范围更接近。 但在其他层中使用ReLU等非饱和激活函数可以避免梯度消失问题并提供更大的表达能力以更好地学习数据分布。 判别器输出层使用sigmoid激活函数的好处其他层使用leaky ReLU激活函数 使用sigmoid激活函数的原因是将判别器的输出转换为概率值[0,1]方便进行真假分类。 其他层使用Leaky ReLU激活函数是为了克服ReLU的一些限制提供更好的梯度传播和表达能力。 看上图卷积层都使用 Batch Normalization生成器输出层、判别器输入层为没有使用 生成器输出层和判别器输入层通常不使用批量归一化以保持生成样本的多样性、真实性和判别器的性能。 其他层使用批量归一化是为了加速网络的收敛速度、防止梯度消失或爆炸、提高泛化能力并具有一定的正则化效果。
