江苏扬州建设局网站,开源商城cms,喀什网站制作,网络营销模式的优势接续上一天的学习任务#xff0c;我们要继续进行下一步的操作
构造网络
当处理完数据后#xff0c;就可以来进行网络的搭建了。按照DCGAN论文中的描述#xff0c;所有模型权重均应从mean为0#xff0c;sigma为0.02的正态分布中随机初始化。
接下来了解一下其他内容
生成…接续上一天的学习任务我们要继续进行下一步的操作
构造网络
当处理完数据后就可以来进行网络的搭建了。按照DCGAN论文中的描述所有模型权重均应从mean为0sigma为0.02的正态分布中随机初始化。
接下来了解一下其他内容
生成器
生成器G的功能是将隐向量z映射到数据空间。实践场景中该功能是通过一系列Conv2dTranspose转置卷积层来完成的每个层都与BatchNorm2d层和ReLu激活层配对输出数据会经过tanh函数使其返回[-1,1]的数据范围内。
DCGAN论文生成图像如下所示 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。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。
代码实现
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)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() 判别器
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。
代码实现
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() 接下来进入模型训练阶段
模型训练
其中分为几个要素
损失函数
当定义了D和G后接下来将使用MindSpore中定义的二进制交叉熵损失函数BCELoss。
优化器
训练模型训练判别器和训练生成器。 实现模型训练正向逻辑
def generator_forward(real_imgs, valid):# 将噪声采样为发生器的输入z ops.standard_normal((real_imgs.shape[0], nz, 1, 1))# 生成一批图像gen_imgs generator(z)# 损失衡量发生器绕过判别器的能力g_loss adversarial_loss(discriminator(gen_imgs), valid)return g_loss, gen_imgsdef discriminator_forward(real_imgs, gen_imgs, valid, fake):# 衡量鉴别器从生成的样本中对真实样本进行分类的能力real_loss adversarial_loss(discriminator(real_imgs), valid)fake_loss adversarial_loss(discriminator(gen_imgs), fake)d_loss (real_loss fake_loss) / 2return d_lossgrad_generator_fn ms.value_and_grad(generator_forward, None,optimizer_G.parameters,has_auxTrue)
grad_discriminator_fn ms.value_and_grad(discriminator_forward, None,optimizer_D.parameters)ms.jit
def train_step(imgs):valid ops.ones((imgs.shape[0], 1), mindspore.float32)fake ops.zeros((imgs.shape[0], 1), mindspore.float32)(g_loss, gen_imgs), g_grads grad_generator_fn(imgs, valid)optimizer_G(g_grads)d_loss, d_grads grad_discriminator_fn(imgs, gen_imgs, valid, fake)optimizer_D(d_grads)return g_loss, d_loss, gen_imgs
代码训练 结果展示就不多说了看成品 文末附上打卡时间
