unitGenerator

创建无监督图像到图像平移(UNIT)生成器网络

折叠整个页面

语法

净= unitGenerator (inputSizeSource)

网= unitGenerator (inputSizeSource、名称、值)

描述

例子

净= unitGenerator (inputSizeSource）创建一个单元发电机网络，净，为大小输入inputSizeSource．有关网络架构的更多信息，请参见单位发电机网络．网络有两个输入和四个输出:

这两个网络输入是源域和目标域中的映像。默认情况下，目标图像大小与源图像大小相同。你可以通过指定'NumTargetInputChannels“名称-值参数。
网络输出中有两种是自重构输出，即源到源和目标到目标的翻译图像。另外两个网络输出是源到目标和目标到源的翻译图像。

该函数需要深度学习工具箱™。

例子

净= unitGenerator (inputSizeSource，名称,值）使用名称-值参数修改UNIT生成器网络的各个方面。

例子

全部折叠

创建单元发生器

这个示例使用:

打开生活的脚本

为尺寸为128 * 128的RGB图像指定网络输入大小。

inputSize = [128 128 3];

创建一个单元生成器，生成输入大小的RGB图像。

净= unitGenerator (inputSize)

net = dlnetwork with properties: Layers: [9x1 nnet.cn .layer. layer] Connections: [8x2 table] Learnables: [168x3 table] State: [0x3 table] InputNames: {'inputSource' 'inputTarget'} OutputNames: {1x4 cell} Initialized: 1

显示网络。

analyzeNetwork(净)

创建带有五个剩余块的单元生成器

这个示例使用:

打开生活的脚本

为尺寸为128 * 128的RGB图像指定网络输入大小。

inputSize = [128 128 3];

创建一个带有五个剩余块的UNIT生成器，其中三个在编码器和解码器模块之间共享。

网= unitGenerator (inputSize,“NumResidualBlocks”5,.．.“NumSharedBlocks”3)

net = dlnetwork with properties: Layers: [9x1 nnet.cn .layer. layer]连接:[8x2 table]可学习表:[152x3 table]状态:[0x3 table] InputNames: {'inputSource' 'inputTarget'} OutputNames: {1x4 cell} Initialized: 1

显示网络。

analyzeNetwork(净)

输入参数

全部折叠

`inputSizeSource`- - - - - -输入源图像的大小
正整数的3元向量

源图像的输入大小，指定为正整数的3元素向量。inputSizeSource有表格[HWC),H的高度,W是宽度，和C是通道数。每个维度的长度必须能被2的平方整除NumDownsamplingBlocks．

名称-值参数

指定可选的用逗号分隔的对名称,值参数。的名字参数是name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:“NumDownsamplingBlocks”,3创建一个包含3个下采样块的网络

`NumDownsamplingBlocks`- - - - - -下采样块的数量
`2`(默认)|正整数

源编码器和目标编码器子网络中的下采样块数，指定为正整数。总的来说，编码器模块将源和目标输入的采样降低了2^NumDownsamplingBlocks．源解码器和目标解码器子网具有相同数量的上采样块。

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

编码器模块中的剩余块数，指定为正整数。解码器模块具有相同数量的剩余块。

`NumSharedBlocks`- - - - - -共享剩余块的数量
`2`(默认)|正整数

共享编码器子网络中的剩余块数，指定为正整数。共享解码器子网具有相同数量的剩余块。网络应该包含至少一个共享的剩余块。

`NumTargetChannels`- - - - - -目标图像中的通道数
正整数

目标图像中的通道数，指定为正整数。默认情况下,“NumTargetChannels与源图像中的通道数量相同，inputSizeSource．

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

在第一卷积层的过滤器数量，指定为一个正的偶数。

`FilterSizeInFirstAndLastBlocks`- - - - - -第一个和最后一个卷积层的过滤器大小
`7`(默认)|积极的奇数|正奇数的2元向量

网络第一和最后卷积层的过滤器大小，指定为正奇数或正奇数形式的2元向量[高度宽度］．当您将筛选器大小指定为标量时，筛选器具有相同的高度和宽度。

`FilterSizeInIntermediateBlocks`- - - - - -中间卷积层中的过滤器大小
`3.`(默认)|正奇数的2元向量|积极的奇数

中间卷积层的过滤器大小，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］．中间卷积层是不包括第一层和最后一层的卷积层。当您将筛选器大小指定为标量时，筛选器具有相同的高度和宽度。

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

网络中使用的填充样式，指定为这些值之一。

`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”`	填充使用输入的镜像值，包括边缘值	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \end{matrix} ］$
`“symmetric-exclude-edge”`	Pad使用输入的镜像值，不包括边缘值	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \end{matrix} ］$
`“复制”`	填充使用重复的输入边框元素	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 1 & 1 & 1 & 5 & 9 & 9 & 9 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \end{matrix} ］$

`UpsampleMethod`- - - - - -对激活进行上采样的方法
`“transposedConv”`(默认)|`“bilinearResize”`|`“pixelShuffle”`

方法，用于对激活进行向上采样，指定为以下值之一:

“transposedConv”——使用一个transposedConv2dLayer(深度学习工具箱)以[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标度为[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`- - - - - -在卷积层中使用的权重初始化
`“他”`(默认)|`“glorot”`|`“narrow-normal”`|函数

权重初始化在卷积层中使用，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功能(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，除了在第一层和最后一层卷积之后，指定为这些值之一。的unitGenerator函数在第一个卷积层之后自动添加一个漏的ReLU层。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

`SourceFinalActivationLayer`- - - - - -源解码器中最终卷积后的激活函数
`”“双曲正切`(默认)|`“乙状结肠”`|`“softmax”`|`“没有”`|层对象

激活函数后的最后卷积层在源解码器，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”-不使用最终激活层
一层对象

`TargetFinalActivationLayer`- - - - - -目标解码器最后卷积后的激活函数
`”“双曲正切`(默认)|`“乙状结肠”`|`“softmax”`|`“没有”`|层对象

激活函数后的最后卷积层在目标解码器，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”-不使用最终激活层
一层对象

输出参数

全部折叠

`净`-机组发电网络
`dlnetwork`对象

单元发电机网络，返回为adlnetwork(深度学习工具箱)对象。

更多关于

全部折叠

单位发电机网络

单元发生器网络包括编码器模块中的三个子网络，接着是解码器模块中的三个子网络。默认网络遵循Liu、Breuel和Kautz提出的架构［1］．

编码器模块对输入下采样2^NumDownsamplingBlocks．编码器模块由三个子网络组成。

源编码器子网络，称为'encoderSourceBlock'，有一个初始层块，接受源域中的数据，X_年代．子网就有了NumDownsamplingBlocks下采样块对数据进行下采样NumResidualBlocks- - - - - -NumSharedBlocks残块。
目标编码器子网络，称为'encoderTargetBlock'，有一个初始层块，接受目标域中的数据，X_年代．子网就有了NumDownsamplingBlocks下采样块下采样数据NumResidualBlocks- - - - - -NumSharedBlocks残块。
源编码器和目标编码器的输出由a组合concatenationLayer(深度学习工具箱)
共享的剩余编码器子网络，称为'encoderSharedBlock'，接受连接的数据，并有NumSharedBlocks残块。

解码器模块由三个子网络组成，它们总共执行NumDownsamplingBlocks数据的上采样操作。

共享剩余解码器子网络，称为'decoderSharedBlock'，接受来自编码器的数据NumSharedBlocks残块。
源解码器子网络，称为'decoderSourceBlock'，有NumResidualBlocks- - - - - -NumSharedBlocks残块,NumDownsamplingBlocks下采样块对数据进行下采样，最后一个层块返回输出。这个子网络在源域中返回两个输出:X_TS和X_党卫军．输出X_TS是从目标域转换到源域的图像。输出X_党卫军是一个从源域到源域的自重构图像。
目标解码器子网络，称为'decoderTargetBlock'，有NumResidualBlocks- - - - - -NumSharedBlocks残块,NumDownsamplingBlocks下采样块对数据进行下采样，最后一个层块返回输出。这个子网络在目标域中返回两个输出:X_圣和X_TT．输出X_TS是从源域转换到目标域的图像。输出X_TT是一个从目标域到目标域的自重构图像。

该表描述了组成子网的层块。

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]，过滤器大小为`FilterSizeInFirstAndLastBlocks`．一个`leakyReluLayer`(深度学习工具箱)比例系数为0.2。
将采样块	一个`convolution2dLayer`(深度学习工具箱)以[2 2]的步幅进行降采样。卷积层的过滤器大小为`FilterSizeInIntermediateBlocks`．一个`instanceNormalizationLayer`(深度学习工具箱)．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]，过滤器大小为`FilterSizeInIntermediateBlocks`．一个`instanceNormalizationLayer`(深度学习工具箱)．指定的激活层`ActivationLayer`名称-值参数。第二个`convolution2dLayer`(深度学习工具箱)．第二个`instanceNormalizationLayer`(深度学习工具箱)．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。卷积层的过滤器大小为`FilterSizeInIntermediateBlocks`．一个`instanceNormalizationLayer`(深度学习工具箱)．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]，过滤器大小为`FilterSizeInFirstAndLastBlocks`．控件指定的可选激活层`SourceFinalActivationLayer`和`TargetFinalActivationLayer`名称-值参数。

提示

参数可以为UNIT创建标识器网络patchGANDiscriminator函数。
使用自定义训练循环训练UNIT GAN网络。
要执行源图像到目标图像的域转换和目标图像的域转换，可以使用unitPredict函数。
对于共享的潜在特征编码，参数'NumSharedBlocks”和“NumResidualBlocks'必须大于0。

参考文献

［1］刘明玉，托马斯·布鲁尔，简·考茨基。"无监督图像到图像翻译网络"神经信息处理系统进展30 (NIPS 2017)．长滩，加州:2017。https://arxiv.org/abs/1703.00848．

另请参阅

unitPredict|patchGANDiscriminator|cycleGANGenerator|pix2pixHDGlobalGenerator

主题

介绍了R2021a

unitGenerator

语法

描述

例子

创建单元发生器

创建带有五个剩余块的单元生成器

输入参数

`inputSizeSource`- - - - - -输入源图像的大小
正整数的3元向量

名称-值参数

`NumDownsamplingBlocks`- - - - - -下采样块的数量
`2`(默认)|正整数

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

`NumSharedBlocks`- - - - - -共享剩余块的数量
`2`(默认)|正整数

`NumTargetChannels`- - - - - -目标图像中的通道数
正整数

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

`FilterSizeInFirstAndLastBlocks`- - - - - -第一个和最后一个卷积层的过滤器大小
`7`(默认)|积极的奇数|正奇数的2元向量

`FilterSizeInIntermediateBlocks`- - - - - -中间卷积层中的过滤器大小
`3.`(默认)|正奇数的2元向量|积极的奇数

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

`UpsampleMethod`- - - - - -对激活进行上采样的方法
`“transposedConv”`(默认)|`“bilinearResize”`|`“pixelShuffle”`

`ConvolutionWeightsInitializer`- - - - - -在卷积层中使用的权重初始化
`“他”`(默认)|`“glorot”`|`“narrow-normal”`|函数

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

`SourceFinalActivationLayer`- - - - - -源解码器中最终卷积后的激活函数
`”“双曲正切`(默认)|`“乙状结肠”`|`“softmax”`|`“没有”`|层对象

`TargetFinalActivationLayer`- - - - - -目标解码器最后卷积后的激活函数
`”“双曲正切`(默认)|`“乙状结肠”`|`“softmax”`|`“没有”`|层对象

输出参数

`净`-机组发电网络
`dlnetwork`对象

更多关于

单位发电机网络

提示

参考文献

另请参阅

主题

图像处理工具箱文档

金宝app

用MATLAB介绍深度学习

unitGenerator

语法

描述

例子

创建单元发生器

创建带有五个剩余块的单元生成器

输入参数

inputSizeSource- - - - - -输入源图像的大小正整数的3元向量

名称-值参数

NumDownsamplingBlocks- - - - - -下采样块的数量2(默认)|正整数

NumResidualBlocks- - - - - -剩余块数5(默认)|正整数

NumSharedBlocks- - - - - -共享剩余块的数量2(默认)|正整数

NumTargetChannels- - - - - -目标图像中的通道数正整数

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

FilterSizeInFirstAndLastBlocks- - - - - -第一个和最后一个卷积层的过滤器大小7(默认)|积极的奇数|正奇数的2元向量

FilterSizeInIntermediateBlocks- - - - - -中间卷积层中的过滤器大小3.(默认)|正奇数的2元向量|积极的奇数

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

UpsampleMethod- - - - - -对激活进行上采样的方法“transposedConv”(默认)|“bilinearResize”|“pixelShuffle”

ConvolutionWeightsInitializer- - - - - -在卷积层中使用的权重初始化“他”(默认)|“glorot”|“narrow-normal”|函数

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

SourceFinalActivationLayer- - - - - -源解码器中最终卷积后的激活函数”“双曲正切(默认)|“乙状结肠”|“softmax”|“没有”|层对象

TargetFinalActivationLayer- - - - - -目标解码器最后卷积后的激活函数”“双曲正切(默认)|“乙状结肠”|“softmax”|“没有”|层对象

输出参数

净-机组发电网络dlnetwork对象

更多关于

单位发电机网络

提示

参考文献

另请参阅

主题

图像处理工具箱文档

金宝app

用MATLAB介绍深度学习

`inputSizeSource`- - - - - -输入源图像的大小
正整数的3元向量

`NumDownsamplingBlocks`- - - - - -下采样块的数量
`2`(默认)|正整数

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

`NumSharedBlocks`- - - - - -共享剩余块的数量
`2`(默认)|正整数

`NumTargetChannels`- - - - - -目标图像中的通道数
正整数

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

`FilterSizeInFirstAndLastBlocks`- - - - - -第一个和最后一个卷积层的过滤器大小
`7`(默认)|积极的奇数|正奇数的2元向量

`FilterSizeInIntermediateBlocks`- - - - - -中间卷积层中的过滤器大小
`3.`(默认)|正奇数的2元向量|积极的奇数

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

`UpsampleMethod`- - - - - -对激活进行上采样的方法
`“transposedConv”`(默认)|`“bilinearResize”`|`“pixelShuffle”`

`ConvolutionWeightsInitializer`- - - - - -在卷积层中使用的权重初始化
`“他”`(默认)|`“glorot”`|`“narrow-normal”`|函数

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

`SourceFinalActivationLayer`- - - - - -源解码器中最终卷积后的激活函数
`”“双曲正切`(默认)|`“乙状结肠”`|`“softmax”`|`“没有”`|层对象

`TargetFinalActivationLayer`- - - - - -目标解码器最后卷积后的激活函数
`”“双曲正切`(默认)|`“乙状结肠”`|`“softmax”`|`“没有”`|层对象

`净`-机组发电网络
`dlnetwork`对象