cycleGANGenerator

创建用于图像到图像转换的CycleGAN生成器网络

折叠所有页面

语法

净= cycleGANGenerator (inputSize)

网= cycleGANGenerator (inputSize、名称、值)

描述

例子

净= cycleGANGenerator (inputSize）为大小的输入创建一个CycleGAN发生器网络inputSize．有关网络架构的更多信息，请参见CycleGAN发电机网络．

此功能需要深度学习工具箱™。

例子

净= cycleGANGenerator (inputSize，名称,值）使用名称-值参数修改CycleGAN网络的各个方面。

例子

全部折叠

创建CycleGAN生成器

这个示例使用:

打开生活的脚本

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)

创建CycleGAN生成器与六个残余块

这个示例使用:

打开生活的脚本

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)

输入参数

全部折叠

`inputSize`- - - - - -网络输入大小
正整数的三个元素向量

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。

名称-值参数

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．

例子:“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	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 2 & 2 & 2 & 2 & 2 & 2 & 2 \\ 2 & 2 & 2 & 2 & 2 & 2 & 2 \\ 2 & 2 & 3. & 1 & 4 & 2 & 2 \\ 2 & 2 & 1 & 5 & 9 & 2 & 2 \\ 2 & 2 & 2 & 6 & 5 & 2 & 2 \\ 2 & 2 & 2 & 2 & 2 & 2 & 2 \\ 2 & 2 & 2 & 2 & 2 & 2 & 2 \end{matrix} ］$
`“symmetric-include-edge”`	使用输入的镜像值(包括边值)填充	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \end{matrix} ］$
`“symmetric-exclude-edge”`	使用镜像输入值(不包括边值)的Pad	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \end{matrix} ］$
`“复制”`	使用输入的重复边框元素填充	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 1 & 1 & 1 & 5 & 9 & 9 & 9 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \end{matrix} ］$

`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

输出参数

全部折叠

`净`- CycleGAN发生器网络
`dlnetwork`对象

CycleGAN发生器网络，返回为dlnetwork(深度学习工具箱)对象。

块类型	层	默认块图
最初的块	一个`imageInputLayer`(深度学习工具箱)．一个`convolution2dLayer`(深度学习工具箱)步长为[1 1]，滤光片大小为`FilterSizeInFirstAndLastBlocks`．属性指定的可选规范化层`NormalizationLayer`名称-值参数。指定的激活层`ActivationLayer`名称-值参数。
将采样块	一个`convolution2dLayer`(深度学习工具箱)步长[2 2]进行下行采样。卷积层的滤波器大小为`FilterSizeInIntermediateBlocks`．属性指定的可选规范化层`NormalizationLayer`名称-值参数。指定的激活层`ActivationLayer`名称-值参数。
剩余块	一个`convolution2dLayer`(深度学习工具箱)步长为[1 1]，滤光片大小为`FilterSizeInIntermediateBlocks`．属性指定的可选规范化层`NormalizationLayer`名称-值参数。指定的激活层`ActivationLayer`名称-值参数。一个可选的`dropoutLayer`(深度学习工具箱)．默认情况下，剩余块省略掉dropout层。属性包含dropout层`辍学`名称-值参数作为范围(0,1)中的值。第二个`convolution2dLayer`(深度学习工具箱)．可选的第二规格化层。一个`additionLayer`(深度学习工具箱)这在每个块之间提供了一个跳过连接。
Upsampling块	上采样层，根据`UpsampleMethod`名称-值参数。卷积层的滤波器大小为`FilterSizeInIntermediateBlocks`．属性指定的可选规范化层`NormalizationLayer`名称-值参数。指定的激活层`ActivationLayer`名称-值参数。
最后一块	一个`convolution2dLayer`(深度学习工具箱)步长为[1 1]，滤光片大小为`FilterSizeInFirstAndLastBlocks`．控件指定的可选激活层`FinalActivationLayer`名称-值参数。

参考文献

［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．

另请参阅

patchGANDiscriminator

主题

介绍了R2021a

cycleGANGenerator

语法

描述

例子

创建CycleGAN生成器

创建CycleGAN生成器与六个残余块

输入参数

`inputSize`- - - - - -网络输入大小
正整数的三个元素向量

名称-值参数

`NumDownsamplingBlocks`- - - - - -下采样块数
`2`(默认)|正整数

`NumFiltersInFirstBlock`- - - - - -第一卷积层的滤波器数
`64`(默认)|积极的偶数

`NumOutputChannels`- - - - - -输出通道数
`“汽车”`(默认)|正整数

`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

`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

`NumResidualBlocks`- - - - - -剩余块数
`9`(默认)|正整数

`ConvolutionPaddingValue`- - - - - -风格的填充
`“symmetric-exclude-edge”`(默认)|`“复制”`|`“symmetric-include-edge”`|数字标量

`UpsampleMethod`- - - - - -用于上样激活的方法
`“transposedConv”`(默认)|`“bilinearResize”`|`“pixelShuffle”`

`ConvolutionWeightsInitializer`- - - - - -用于卷积层的权重初始化
`“narrow-normal”`(默认)|`“glorot”`|`“他”`|函数

`ActivationLayer`- - - - - -激活函数
`“relu”`(默认)|`“leakyRelu”`|`“elu”`|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

`NormalizationLayer`- - - - - -归一化操作
`“实例”`(默认)|`“没有”`|`“批”`|层对象

`辍学`- - - - - -辍学的可能性
`0`(默认)|在[0,1]范围内的数字

`NamePrefix`- - - - - -所有层名的前缀
`＂＂`(默认)|字符串|特征向量

输出参数

`净`- CycleGAN发生器网络
`dlnetwork`对象

更多关于

CycleGAN发电机网络

参考文献

另请参阅

主题

图像处理工具箱文档

金宝app

介绍基于MATLAB的深度学习

cycleGANGenerator

语法

描述

例子

创建CycleGAN生成器

创建CycleGAN生成器与六个残余块

输入参数

inputSize- - - - - -网络输入大小正整数的三个元素向量

名称-值参数

NumDownsamplingBlocks- - - - - -下采样块数2(默认)|正整数

NumFiltersInFirstBlock- - - - - -第一卷积层的滤波器数64(默认)|积极的偶数

NumOutputChannels- - - - - -输出通道数“汽车”(默认)|正整数

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

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

NumResidualBlocks- - - - - -剩余块数9(默认)|正整数

ConvolutionPaddingValue- - - - - -风格的填充“symmetric-exclude-edge”(默认)|“复制”|“symmetric-include-edge”|数字标量

UpsampleMethod- - - - - -用于上样激活的方法“transposedConv”(默认)|“bilinearResize”|“pixelShuffle”

ConvolutionWeightsInitializer- - - - - -用于卷积层的权重初始化“narrow-normal”(默认)|“glorot”|“他”|函数

ActivationLayer- - - - - -激活函数“relu”(默认)|“leakyRelu”|“elu”|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

NormalizationLayer- - - - - -归一化操作“实例”(默认)|“没有”|“批”|层对象

辍学- - - - - -辍学的可能性0(默认)|在[0,1]范围内的数字

NamePrefix- - - - - -所有层名的前缀＂＂(默认)|字符串|特征向量

输出参数

净- CycleGAN发生器网络dlnetwork对象

更多关于

CycleGAN发电机网络

参考文献

另请参阅

主题

图像处理工具箱文档

金宝app

介绍基于MATLAB的深度学习

`inputSize`- - - - - -网络输入大小
正整数的三个元素向量

`NumDownsamplingBlocks`- - - - - -下采样块数
`2`(默认)|正整数

`NumFiltersInFirstBlock`- - - - - -第一卷积层的滤波器数
`64`(默认)|积极的偶数

`NumOutputChannels`- - - - - -输出通道数
`“汽车”`(默认)|正整数

`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

`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

`NumResidualBlocks`- - - - - -剩余块数
`9`(默认)|正整数

`ConvolutionPaddingValue`- - - - - -风格的填充
`“symmetric-exclude-edge”`(默认)|`“复制”`|`“symmetric-include-edge”`|数字标量

`UpsampleMethod`- - - - - -用于上样激活的方法
`“transposedConv”`(默认)|`“bilinearResize”`|`“pixelShuffle”`

`ConvolutionWeightsInitializer`- - - - - -用于卷积层的权重初始化
`“narrow-normal”`(默认)|`“glorot”`|`“他”`|函数

`ActivationLayer`- - - - - -激活函数
`“relu”`(默认)|`“leakyRelu”`|`“elu”`|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

`NormalizationLayer`- - - - - -归一化操作
`“实例”`(默认)|`“没有”`|`“批”`|层对象

`辍学`- - - - - -辍学的可能性
`0`(默认)|在[0,1]范围内的数字

`NamePrefix`- - - - - -所有层名的前缀
`＂＂`(默认)|字符串|特征向量

`净`- CycleGAN发生器网络
`dlnetwork`对象