创建用于图像到图像转换的CycleGAN生成器网络
为大小为256 × 256的RGB图像指定网络输入大小。
inputSize = [256 256 3];
创建一个CycleGAN生成器,生成输入大小的RGB图像。
净= cycleGANGenerator (inputSize)
net = dlnetwork with properties: Layers: [72x1 nnet.cnn.layer.Layer] Connections: [80x2 table] Learnables: [94x3 table] State: [0x3 table] InputNames: {'inputLayer'} OutputNames: {'fActivation'} Initialized: 1
显示网络。
analyzeNetwork(净)
为尺寸为128 × 128像素的RGB图像指定网络输入大小。
inputSize = [128 128 3];
创建一个带有6个残留块的CycleGAN生成器。添加前缀“cycleGAN6_”到所有的层名。
网= cycleGANGenerator (inputSize,“NumResidualBlocks”6...“NamePrefix”,“cycleGAN6_”)
net = dlnetwork with properties: Layers: [54x1 nnet.cnn.layer.Layer] Connections: [59x2 table] Learnables: [70x3 table] State: [0x3 table] InputNames: {'cycleGAN6_inputLayer'} OutputNames: {'cycleGAN6_fActivation'} Initialized: 1
显示网络。
analyzeNetwork(净)
inputSize
- - - - - -网络输入大小网络输入大小,指定为正整数的3元素向量。inputSize
有表格[HWC),H的高度,W是宽度,和C为通道的数量。
例子:[28日28日3]
为3通道图像指定28 × 28像素的输入大小。
指定可选的逗号分隔的对名称,值
参数。的名字
参数名和价值
为对应值。的名字
必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家
.
“NumFiltersInFirstBlock”,32
在第一卷积层创建一个带有32个过滤器的网络
NumDownsamplingBlocks
- - - - - -下采样块数2
(默认)|正整数网络编码器模块中的下采样块数,指定为正整数。总的来说,网络对输入进行抽样,抽样因子为2^NumDownsamplingBlocks
.解码器模块由相同数量的上采样块组成。
NumFiltersInFirstBlock
- - - - - -第一卷积层的滤波器数64
(默认)|积极的偶数第一卷积层的滤波器数,指定为正偶数。
NumOutputChannels
- - - - - -输出通道数“汽车”
(默认)|正整数输出通道数,指定为“汽车”
或者一个正整数。当你指定“汽车”
,输出通道的数量与输入通道的数量相同。
FilterSizeInFirstAndLastBlocks
- - - - - -过滤器大小在第一和最后的卷积层7
(默认)|积极的奇数|正奇整数的2元向量第一层和最后一层的滤波器大小,指定为正奇整数或正奇整数的2元素向量,形式为[高度宽度].当您将过滤器大小指定为标量时,该过滤器具有相同的高度和宽度。
FilterSizeInIntermediateBlocks
- - - - - -中间卷积层中的滤波器大小3.
(默认)|正奇整数的2元向量|积极的奇数中间卷积层中的滤波器大小,指定为形式为正奇整数或正奇整数的2元素向量[高度宽度].中间卷积层是除第一卷积层和最后卷积层外的卷积层。当您将过滤器大小指定为标量时,该过滤器具有相同的高度和宽度。典型值在3到7之间。
NumResidualBlocks
- - - - - -剩余块数9
(默认)|正整数剩余块数,指定为正整数。通常,该值被设置为6
对于尺寸为128 × 128和9
适用于尺寸为256 × 256或更大的图像。
ConvolutionPaddingValue
- - - - - -风格的填充“symmetric-exclude-edge”
(默认)|“复制”
|“symmetric-include-edge”
|数字标量网络中使用的填充样式,指定为以下值之一。
PaddingValue |
描述 | 例子 |
---|---|---|
数字标量 | 用指定的数值填充 |
|
“symmetric-include-edge” |
使用输入的镜像值(包括边值)填充 |
|
“symmetric-exclude-edge” |
使用镜像输入值(不包括边值)的Pad |
|
“复制” |
使用输入的重复边框元素填充 |
|
UpsampleMethod
- - - - - -用于上样激活的方法“transposedConv”
(默认)|“bilinearResize”
|“pixelShuffle”
用于上采样激活的方法,指定为以下值之一:
“transposedConv”
——使用一个transposedConv2dLayer
(深度学习工具箱)迈着[2 2]的步伐
“bilinearResize”
——使用一个convolution2dLayer
(深度学习工具箱)步长为[1 1],后面跟着aresize2dLayer
量表[2 2]
“pixelShuffle”
——使用一个convolution2dLayer
(深度学习工具箱)步长为[1 1],后面跟着adepthToSpace2dLayer
块大小为[2 2]
数据类型:字符
|字符串
ConvolutionWeightsInitializer
- - - - - -用于卷积层的权重初始化“narrow-normal”
(默认)|“glorot”
|“他”
|函数在卷积层中使用的权重初始化,指定为“glorot”
,“他”
,“narrow-normal”
,或函数句柄。有关更多信息,请参见指定自定义权重初始化函数(深度学习工具箱).
ActivationLayer
- - - - - -激活函数“relu”
(默认)|“leakyRelu”
|“elu”
|层对象在网络中使用的激活函数,指定为这些值之一。有关更多信息和可用层列表,请参见激活层(深度学习工具箱).
“relu”
——使用一个reluLayer
(深度学习工具箱)
“leakyRelu”
——使用一个leakyReluLayer
(深度学习工具箱)比例系数为0.2
“elu”
——使用一个eluLayer
(深度学习工具箱)
一层对象
FinalActivationLayer
- - - - - -最后卷积后的激活函数”“双曲正切
(默认)|“没有”
|“乙状结肠”
|“softmax”
|层对象激活函数后的最后卷积层,指定为这些值之一。有关更多信息和可用层列表,请参见输出层(深度学习工具箱).
”“双曲正切
——使用一个tanhLayer
(深度学习工具箱)
“乙状结肠”
——使用一个sigmoidLayer
(深度学习工具箱)
“softmax”
——使用一个softmaxLayer
(深度学习工具箱)
“没有”
-不要使用最终激活层
一层对象
NormalizationLayer
- - - - - -归一化操作“实例”
(默认)|“没有”
|“批”
|层对象在每次卷积后使用的归一化操作,指定为其中一个值。有关更多信息和可用层列表,请参见标准化,删除和裁剪图层(深度学习工具箱).
“实例”
——使用一个instanceNormalizationLayer
(深度学习工具箱)
“批”
——使用一个batchNormalizationLayer
(深度学习工具箱)
“没有”
—不要使用标准化层
一层对象
辍学
- - - - - -辍学的可能性0
(默认)|在[0,1]范围内的数字退出的概率,指定为[0,1]范围内的一个数字。如果指定值为0
,则该网络不包括退出层。如果指定的值大于0
,则网络包括adropoutLayer
(深度学习工具箱)在每个残块中。
NamePrefix
- - - - - -所有层名的前缀""
(默认)|字符串|特征向量网络中所有层名的前缀,指定为字符串或字符向量。
数据类型:字符
|字符串
一种循环gan发生器网络由编码器模块和解码器模块组成。默认网络遵循Zhu等人提出的架构。[1].
编码器模块按2^对输入进行向下采样NumDownsamplingBlocks
.编码器模块包括一个初始层块,NumDownsamplingBlocks
将采样模块,NumResidualBlocks
残块。解码器模块对输入进行2^倍的采样NumDownsamplingBlocks
.解码器模块包括NumDownsamplingBlocks
上采样块和最后一个块。
该表描述了组成编码器和解码器模块的层块。
块类型 | 层 | 默认块图 |
---|---|---|
最初的块 |
|
|
将采样块 |
|
|
剩余块 |
|
|
Upsampling块 |
|
|
最后一块 |
|
|
[1]朱俊彦,朴泰成,菲利普·伊索拉,阿列克谢·a·埃弗罗斯。“使用循环一致对抗网络的图像到图像的非配对转换”。在2017 IEEE计算机视觉国际会议(ICCV), 2242 - 2251。威尼斯:IEEE 2017。https://ieeexplore.ieee.org/document/8237506.
[2]朱俊彦,朴泰成,王通州。“PyTorch中的CycleGAN和pix2pix。”https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix.
你点击一个链接对应于这个MATLAB命令:
通过在MATLAB命令窗口中输入命令来运行命令。Web浏览器不支持MATLAB命令。金宝app
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。