cycleGANGenerator

创建CycleGAN生成器image-to-image网络翻译

自从R2021a

所有的页面崩溃

语法

净= cycleGANGenerator (inputSize)

网= cycleGANGenerator (inputSize、名称、值)

描述

例子

净= cycleGANGenerator (inputSize)创建一个CycleGAN发电机网络输入的大小inputSize。关于网络体系结构的更多信息,请参阅CycleGAN发电机网络。

这个函数需要深度学习工具箱™。

例子

净= cycleGANGenerator (inputSize,名称,值)修改方面的CycleGAN网络使用名称-值参数。

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

指定网络输入大小的RGB图像大小256 - 256。

inputSize = (256 256 3);

创建一个CycleGAN发生器产生的RGB图像输入的大小。

净= cycleGANGenerator (inputSize)

网= dlnetwork属性:层:x1 nnet.cnn.layer.Layer[72]连接:[80 x2表]可学的:[94 x3表]状态:[0 x3表]InputNames: {“inputLayer”} OutputNames: {“fActivation”}初始化:1观点总结总结。

显示网络。

analyzeNetwork(净)

创建CycleGAN发生器有六个残块

这个示例使用:

打开生活的脚本

指定网络输入大小的RGB图像大小128 -,- 128像素。

inputSize = (128 128 3);

创建一个CycleGAN发生器有六个残块。添加前缀“cycleGAN6_”所有层的名字。

网= cycleGANGenerator (inputSize,“NumResidualBlocks”6…“NamePrefix”,“cycleGAN6_”)

网= dlnetwork属性:层:[54 x1 nnet.cnn.layer.Layer]连接:[59 x2表]可学的:[70 x3表]状态:[0 x3表]InputNames: {“cycleGAN6_inputLayer”} OutputNames: {“cycleGAN6_fActivation”}初始化:1观点总结总结。

显示网络。

analyzeNetwork(净)

输入参数

全部折叠

`inputSize`- - - - - -网络输入大小
正整数的转换向量

网络输入大小,指定为正整数的转换向量。inputSize的形式(HWC),H的高度,W是宽度,C通道的数量。

例子:[28日28日3]指定一个输入大小三路28-by-28像素的图像。

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

例子:“NumFiltersInFirstBlock”, 32创建一个网络与32卷积过滤器在第一层

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

网络编码器模块将采样块的数量,指定为一个正整数。总的来说,网络downsamples输入2倍^NumDownsamplingBlocks。译码器模块由相同数量的upsampling块。

`NumFiltersInFirstBlock`- - - - - -卷积过滤器的第一层
`64年`(默认)|积极的偶数

指定数量的卷积过滤器在第一层,甚至是一个积极的整数。

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

输出通道的数量,指定为“汽车”或者一个正整数。当你指定“汽车”,输出通道的数量是一样的输入通道的数量。

`FilterSizeInFirstAndLastBlocks`- - - - - -在第一个和最后一个卷积滤波器尺寸层
`7`(默认)|积极的奇数|积极的奇数2-element向量

过滤器尺寸在第一个和最后一个卷积层,指定为一个积极的奇数的正奇数或者2-element向量的形式高度宽度]。当你指定过滤器的大小作为一个标量,过滤器有相同的高度和宽度。

`FilterSizeInIntermediateBlocks`- - - - - -卷积滤波器尺寸在中间层次
`3`(默认)|积极的奇数2-element向量|积极的奇数

过滤器尺寸在中间卷积层,指定为一个积极的奇数的正奇数或者2-element向量的形式高度宽度]。中间卷积层卷积层包括第一个和最后一个卷积层。当你指定过滤器的大小作为一个标量,过滤器有相同的高度和宽度。典型值是3至7。

`NumResidualBlocks`- - - - - -数量的剩余块
`9`(默认)|正整数

数量的残块,指定为一个正整数。通常情况下,这个值设置为6图像的大小由- 128和128 -9图片大小256 -的- 256或更大。

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

风格的网络中使用的填充,指定为一个值。

`PaddingValue`	描述	例子
数字标量	垫与指定的数值	$(\begin{matrix} 3 & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix}] \to (\begin{matrix} 2 & 2 & 2 & 2 & 2 & 2 & 2 \\ 2 & 2 & 2 & 2 & 2 & 2 & 2 \\ 2 & 2 & 3 & 1 & 4 & 2 & 2 \\ 2 & 2 & 1 & 5 & 9 & 2 & 2 \\ 2 & 2 & 2 & 6 & 5 & 2 & 2 \\ 2 & 2 & 2 & 2 & 2 & 2 & 2 \\ 2 & 2 & 2 & 2 & 2 & 2 & 2 \end{matrix}]$
`“symmetric-include-edge”`	垫使用镜像的输入值,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”`	垫使用镜像的输入值,排除边缘值	$(\begin{matrix} 3 & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix}] \to (\begin{matrix} 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3 & 1 & 4 & 1 & 3 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3 & 1 & 4 & 1 & 3 \end{matrix}]$
`“复制”`	垫使用重复的边界元素的输入	$(\begin{matrix} 3 & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix}] \to (\begin{matrix} 3 & 3 & 3 & 1 & 4 & 4 & 4 \\ 3 & 3 & 3 & 1 & 4 & 4 & 4 \\ 3 & 3 & 3 & 1 & 4 & 4 & 4 \\ 1 & 1 & 1 & 5 & 9 & 9 & 9 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \end{matrix}]$

`UpsampleMethod`- - - - - -方法用于upsample激活
`“transposedConv”`(默认)|`“bilinearResize”`|`“pixelShuffle”`

方法用于upsample激活,指定这些值之一:

“transposedConv”——使用一个transposedConv2dLayer(深度学习工具箱)的步伐(2 - 2)
“bilinearResize”——使用一个convolution2dLayer(深度学习工具箱)的步伐[1]了resize2dLayer的规模(2 - 2)
“pixelShuffle”——使用一个convolution2dLayer(深度学习工具箱)的步伐[1]了depthToSpace2dLayer的块大小(2 - 2)

数据类型:字符|字符串

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

重初始化用于卷积层,指定为“glorot”,“他”,“narrow-normal”,或一个函数处理。有关更多信息,请参见指定自定义权重的初始化函数(深度学习工具箱)。

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

激活功能网络中使用,指定为其中一个值。和可用的层列表的更多信息,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)比例因子为0.2
“elu”——使用一个eluLayer(深度学习工具箱)
一层对象

`FinalActivationLayer`- - - - - -最后卷积后激活函数
`”“双曲正切`(默认)|`“没有”`|`“乙状结肠”`|`“softmax”`|层对象

激活函数卷积最后层后,指定为其中一个值。和可用的层列表的更多信息,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”——不使用最后一个激活层
一层对象

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

规范化操作使用卷积后,指定为其中一个值。和可用的层列表的更多信息,见归一化层(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”——不使用归一化层
一层对象

`辍学`- - - - - -辍学的可能性
`0`(默认)|数量在[0,1]

辍学的可能性,指定为在区间[0,1]。如果你指定一个值0不包括辍学,那么网络层。如果你指定一个值大于0,那么网络包括一个dropoutLayer(深度学习工具箱)在每个残块。

`NamePrefix`- - - - - -所有层名称前缀
`”“`(默认)|字符串|特征向量

网络中的所有图层名称前缀,指定为一个字符串或字符向量。

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发电机网络,作为一个返回dlnetwork(深度学习工具箱)对象。

更多关于

全部折叠

CycleGAN发电机网络

cycleGAN生成器网络由一个编码器模块,后跟一个译码器模块。默认网络之前,朱等人提出的体系结构。[1]。

编码器模块downsamples输入2倍^NumDownsamplingBlocks。编码器模块由一个初始块层,NumDownsamplingBlocks将采样模块,NumResidualBlocks残块。解码器模块upsamples输入2倍^NumDownsamplingBlocks。译码器模块组成NumDownsamplingBlocksupsampling块和最后一块。

表描述了层组成的块编码器和译码器模块。

块类型	层	默认的图块
最初的块	一个`imageInputLayer`(深度学习工具箱)。一个`convolution2dLayer`(深度学习工具箱)的步伐[1]和一个过滤器的大小`FilterSizeInFirstAndLastBlocks`。一个可选的归一化层,指定的`NormalizationLayer`名称-值参数。一个激活指定的层`ActivationLayer`名称-值参数。
将采样块	一个`convolution2dLayer`(深度学习工具箱)步的执行将采样2 [2]。卷积层有一个过滤器的大小`FilterSizeInIntermediateBlocks`。一个可选的归一化层,指定的`NormalizationLayer`名称-值参数。一个激活指定的层`ActivationLayer`名称-值参数。
剩余块	一个`convolution2dLayer`(深度学习工具箱)的步伐[1]和一个过滤器的大小`FilterSizeInIntermediateBlocks`。一个可选的归一化层,指定的`NormalizationLayer`名称-值参数。一个激活指定的层`ActivationLayer`名称-值参数。一个可选的`dropoutLayer`(深度学习工具箱)。默认情况下,省略一个辍学层残块。包括一个辍学层通过指定`辍学`名称参数值的范围(0,1)。第二个`convolution2dLayer`(深度学习工具箱)。一个可选的第二个归一化层。一个`additionLayer`(深度学习工具箱),它提供了一个跳过每一块之间的联系。
Upsampling块	一个upsamples upsampling层根据的2倍`UpsampleMethod`名称-值参数。卷积层有一个过滤器的大小`FilterSizeInIntermediateBlocks`。一个可选的归一化层,指定的`NormalizationLayer`名称-值参数。一个激活指定的层`ActivationLayer`名称-值参数。
最后一块	一个`convolution2dLayer`(深度学习工具箱)的步伐[1]和一个过滤器的大小`FilterSizeInFirstAndLastBlocks`。一个可选的激活指定的层`FinalActivationLayer`名称-值参数。

引用

[1]菲利普·伊索拉朱,Jun-Yan Taesung公园和阿列克谢·a·埃。“孤Image-to-Image翻译使用Cycle-Consistent敌对的网络。”In2017年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、Jun-Yan Taesung公园,通州。“CycleGAN pix2pix PyTorch。”https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix。

版本历史

介绍了R2021a

另请参阅

patchGANDiscriminator

cycleGANGenerator

语法

描述

例子

创建CycleGAN生成器

创建CycleGAN发生器有六个残块

输入参数

inputSize- - - - - -网络输入大小正整数的转换向量

名称-值参数

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

NumFiltersInFirstBlock- - - - - -卷积过滤器的第一层64年(默认)|积极的偶数

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

FilterSizeInFirstAndLastBlocks- - - - - -在第一个和最后一个卷积滤波器尺寸层7(默认)|积极的奇数|积极的奇数2-element向量

FilterSizeInIntermediateBlocks- - - - - -卷积滤波器尺寸在中间层次3(默认)|积极的奇数2-element向量|积极的奇数

NumResidualBlocks- - - - - -数量的剩余块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- - - - - -方法用于upsample激活“transposedConv”(默认)|“bilinearResize”|“pixelShuffle”

ConvolutionWeightsInitializer- - - - - -重初始化用于卷积层“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)|数量在[0,1]

NamePrefix- - - - - -所有层名称前缀”“(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

引用

版本历史

另请参阅

主题

`inputSize`- - - - - -网络输入大小
正整数的转换向量

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

`NumFiltersInFirstBlock`- - - - - -卷积过滤器的第一层
`64年`(默认)|积极的偶数

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

`FilterSizeInFirstAndLastBlocks`- - - - - -在第一个和最后一个卷积滤波器尺寸层
`7`(默认)|积极的奇数|积极的奇数2-element向量

`FilterSizeInIntermediateBlocks`- - - - - -卷积滤波器尺寸在中间层次
`3`(默认)|积极的奇数2-element向量|积极的奇数

`NumResidualBlocks`- - - - - -数量的剩余块
`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`- - - - - -方法用于upsample激活
`“transposedConv”`(默认)|`“bilinearResize”`|`“pixelShuffle”`

`ConvolutionWeightsInitializer`- - - - - -重初始化用于卷积层
`“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)|数量在[0,1]

`NamePrefix`- - - - - -所有层名称前缀
`”“`(默认)|字符串|特征向量

`净`——CycleGAN发生器网络
`dlnetwork`对象