网络模型（DCGAN-深度卷积 GAN）

最新推荐文章于 2024-06-18 18:36:26 发布

曲奇喵

最新推荐文章于 2024-06-18 18:36:26 发布

阅读量1.2k

点赞数

分类专栏： AI 文章标签： pytorch 神经网络深度学习 DCGAN 深度卷积

本文链接：https://blog.csdn.net/afsya/article/details/106946977

版权

本文介绍了深度卷积生成对抗网络（DCGAN）的概念，包括生成网络和判别网络的结构特点。在实验部分，重点讨论了如何使用DCGAN生成96×96的卡通人脸，采用卷积和转置卷积，配合激活函数和标准化层，并利用Adam优化器及二进制交叉熵损失函数进行训练和测试。

摘要由CSDN通过智能技术生成

概念

DCGAN
生成网络
尺寸变大（1 → 图片尺寸）。
通道数变大，再逐渐变小（in → max → …… → 3）。
输出用 Tanh 激活。
输出层不用 BN。

判别网络
尺寸变小（图片尺寸 → 1）。
通道数逐渐变大，再变小（3 → …… → max → 1）。
输出用 Sigmoid 激活。
输入层不用 BN。

实验（生成卡通人脸）

数据集：96×96 的卡通人脸。（5 万）

网络结构：

判别器：卷积 + 标准化（BN）+ 激活（LeakyReLU）+ Sigmoid。
生成器：转置卷积 + 标准化（BN）+ 激活（ReLU）+ Tanh。

优化器：Adam(lr=0.0002, betas=(0.5, 0.999))。

损失函数：二进制交叉熵（BCELoss）。

输出：

判别网络：图片为真的概率。
生成网络：图片。

数据集

from torch.utils.data import Dataset
from torchvision import transforms
from PIL import Image
import os


class MyDataset(Dataset):
    def __init__(self, path):
        self.path = path
        self.imgs = os.listdir(path)
        self.transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])])

    def __len__(self):
        return len(self.imgs)

    def __getitem__(self, index):
        img = Image.open(os.path.join(self.path, self.imgs[index]))
        return self.transform(img)

网络

import torch
from torch import nn


# 判别器
class D_Net(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(3, 64, 5, 3, 1, bias=False), nn.LeakyReLU(0.2, inplace=True),
            nn.Conv2d(64, 128, 4, 2, 1, bias=False), nn.BatchNorm2d(128)