DCGAN原理介绍
1.掌握深度学习图像处理(基于keras、tensorflow、opencv)
2.掌握web前后端设计(基 于flask框架)
3.开发基于web端的深度学习图像,把web端应用与人工智能相结合
[视频教程](https://edu.csdn.net/course/detail/28400/391614?pre_view=1):
https://edu.csdn.net/course/detail/28400/391614?pre_view=1
我们知道深度学习中对图像处理应用最好的模型是CNN,那么如何把CNN与GAN结合?DCGAN是这方面最好的尝试之一(论文地址:[1511.06434] Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks)
-
如果要训练mnist
执行python download.py mnist
那么在data下面下载好了mnist
运行训练:
python main.py --dataset mnist --input_height=28 --output_height=28 --train
-
self.z = tf.placeholder(tf.float32, [None, self.z_dim], name='z')//定义100维的分布数据。
self.G = self.generator(self.z, self.y)//定义产生网络,网络的输入是100维数据,Y可以不使用。返回的G就是产生的图像。
self.D, self.D_logits = self.discriminator(inputs, self.y, reuse=False)//调用D网络,对于真实图像进行判断。得到输出的结果逻辑。
//这里可能有点难理解,需要把区分网络的相应的参数不变,把其想象成理想的区分网络,那么如果当前产生的图像,被送到区分网络中理想标签应为1.