从 Deblur GAN ( Keras ) 导出模型训练参数

由于《deblur-gan-master》（实现上用的是《deblur-gan-0c0c0296f143b7a070a0969cb64a8774f8e79f1d》）也有一个去模糊的生成模型 generator.h5。

先安装 Keras。

运行：

python scripts/deblur_image.py --image_path=test_blur.jpg

这个效果比前面的哪好个一点。

然后

导出模型到文本文件：

    g.load_weights('generator.h5')

    #-------------------------------------------------------------开始
    fp = open('generator.h5.txt', 'w')
    i=0
    for layer in g.layers:
        lconfig = layer.get_config()#该层的配置
        i=i+1
        fp.write('layer %d: %s\n' % (i, lconfig['name'])) #层序号，层名
        print(i)
        print(lconfig['name'])
        fp.write(str(lconfig)) # 配置
        fp.write('\n')

        weights = layer.get_weights()  # numpy数组列表
        for weight in weights:
            if weight.ndim == 4:

                #v_4d.shape [ H, W, I, O ]  高，宽，输入，输出      

                weight = np.swapaxes(weight, 0, 2) # swap H, I

                weight = np.swapaxes(weight, 1, 3) # swap W, O

                weight = np.swapaxes(weight, 0, 1) # swap I, O

                #v_4d.shape [ O, I, H, W ]

                v_1d = weight.reshape(weight.shape[0]*weight.shape[1]*weight.shape[2]*weight.shape[3])

                vshape = weight.shape[:]
                fp.write('shape {\n') # 这个放前面方便一点

                for s in vshape:

                    fp.write( '  ' + str(s)) # dim:

                    fp.write('\n')

                fp.write('}\n')

                fp.write('  blobs {\n') # 这个放后面

                for vv in v_1d:

                    fp.write('%8f' % vv) # data: 

                    fp.write('\n')

                fp.write('  }\n')
            elif weight.ndim == 1 :#


                fp.write('shape {\n')

                fp.write( '  ' + str(weight.shape[0])) # dim: 

                fp.write('\n')

                fp.write('}\n')

                fp.write('blobs {\n')

                for vv in weight:

                    fp.write('%.8f' % vv) # data: 

                    fp.write('\n')

                fp.write('}\n')


        fp.write('\n')

    fp.close()
    #-------------------------------------------------------------结束

这个和前面哪个基本相同，用批正则化代替实例正则化。

C++改编主函数：

void DeblurGAN(char * savefilename,DeblurGAN模型 & sr)
{

//		
	int wid=bmp.width;
	int hei=bmp.height;
		cout<<"输入图像宽度："<<wid<<endl;
		cout<<"        高度："<<hei<<endl;
//
	卷积层 rgb(wid,hei,3);//即rgb通道
	rgb.data=new float[wid * hei *3]; 

	//jpg转换为RGB卷积层
	bmp2RGB(rgb);

			
	卷积层 备份(wid,hei,3);
	备份.data=new float[wid * hei * 3 ];
	//总备份
	卷积层复制(&rgb,&备份);



	//伸缩零头：使宽，高保证为4的倍数而设，即 宽(高)除4的余数 + x0(y0) = 4
	int x0=0, y0=0;

	伸缩边(rgb, x0, y0);
	wid=rgb.width;
	hei=rgb.height;


	//---------------------------------------------->
	层数据 * 层;

	//两个卷积层 交替前传（源,目标）
			
	//用这个传回
	卷积层 * di=(卷积层 *)malloc(sizeof(卷积层));
		di->width=1;
		di->height=1;
		di->depth=1;
		di->data=new float[1 ]; 

	卷积层 *源,*目标;
	源 = &rgb;
	
	目标 = di;

	int pad;

	BatchNorm层数据 * bnorm=sr.BN层;


	//定义一个宏
	//用于各个层
	#define 卷积和归一化(ConvX,步长)/* 上采样、下采样 */ \
	\
	层=sr.ConvX;/* Conv2 层 */ \
	if(层->输出维度 != 目标->depth || 目标->width != wid || 目标->height != hei)\
		Resize卷积层(*目标,wid,hei,层->输出维度);\
	pad=层->核宽/2;\
	vl_nnconv(源,目标,层 ,步长,步长,pad,pad,pad,pad);\
	torch_BatchNorm(目标,bnorm->权重,bnorm->偏移,bnorm->均值,bnorm->方差);bnorm++;\
	vl_nnrelu(目标);/*激励函数Prelu*/\
\
	std::swap (源,目标);\


	cout<<"输入层..."<<endl;
	卷积和归一化(输入层,1);

	cout<<"第一下采样层..."<<endl;
	wid=wid/2;hei=hei/2;
	卷积和归一化(下采样层1,2);

	cout<<"第二下采样层..."<<endl;
	wid=wid/2;hei=hei/2;
	卷积和归一化(下采样层2,2);

	//----------------------------------------------<

	    
	    

	//第二部分  9残差层
	卷积层 convfea5(wid,hei,源->depth);
	convfea5.data=new float[wid * hei * 源->depth ]; 

	卷积层 *源备份=&convfea5;


	if(源->depth != 目标->depth || 目标->width != wid || 目标->height != hei)
		Resize卷积层(*目标,wid,hei,源->depth);

	残差块 * 残差块0=sr.块;
	cout<<"9个残差块... 包括 2 组卷积"<<endl;

	for (int k = 0;k<sr.残差块数量;k++)
	{
		cout<<"\r"<<k;


		//备份
		卷积层复制(源,源备份);


		层=残差块0->卷积层;

						
		vl_nnconv(源,目标,层 ,1,1,1,1,1,1);
						
		torch_BatchNorm(目标,bnorm->权重,bnorm->偏移,bnorm->均值,bnorm->方差);bnorm++;
		vl_nnrelu(目标);
		//save_卷积层2jpg(目标,"cc0");
				

		层++;
		vl_nnconv(目标,源,层 ,1,1,1,1,1,1);
		//vl_Norm(源);
		torch_BatchNorm(源,bnorm->权重,bnorm->偏移,bnorm->均值,bnorm->方差);bnorm++;

	//	//求和
        卷积层相加(源备份,源);


		残差块0++;//到下残差块
	}
	cout<<endl;

	del卷积层(*源备份);
	        



	//用于各个层
	#define 反卷积和归一化(ConvX)/* 上采样、下采样 */ \
	\
	层=sr.ConvX;/* Conv2 层 */ \
	if(层->输出维度 != 目标->depth || 目标->width != wid || 目标->height != hei)\
		Resize卷积层(*目标,wid,hei,层->输出维度);\
	vl_nnconvt(源,目标,层,2,2, 1,1,1,1) ;\
	torch_BatchNorm(目标,bnorm->权重,bnorm->偏移,bnorm->均值,bnorm->方差);bnorm++;\
	vl_nnrelu(目标);/*激励函数Prelu*/\
\
	std::swap (源,目标);\
		
					
	cout<<"第一上采样层..."<<endl;
	wid=wid*2;hei=hei*2;
	反卷积和归一化(上采样层1);

	cout<<"第二上采样层..."<<endl;
	wid=wid*2;hei=hei*2;
	反卷积和归一化(上采样层2);


	cout<<"输出层..."<<endl;
	层=sr.输出层;
	if(层->输出维度 != 目标->depth || 目标->width != wid || 目标->height != hei)
		Resize卷积层(*目标,wid,hei,层->输出维度);
	pad=层->核宽/2;
	vl_nnconv(源,目标,层 ,1,1,pad,pad,pad,pad);
	del卷积层(*源);

						
	
	vl_tanh(目标);//激励函数
	


	cout<<"图像转换成jpg格式... "<<endl;

	伸缩边(*目标, x0, y0,false); 

		
	//加上输入 
	卷积层相加(&备份,目标);
	del卷积层(备份);

	//load_mat2卷积层 ("me/add_10.txt",目标) ; //Keras中保存的
	//save_卷积层2txt (目标,"add10.txt") ; //比对


	卷积层乘以(*目标,0.5f);//除了2



	RGB2bmp(*目标);

	del卷积层(*目标);

	savejpg(savefilename);

	cout<<"转换文件已经保存为:    "<<savefilename<<endl;

}

下载：

win32去运动模糊程序2

由deblur-gan-master（Keras的generator.h5）改编过来的去运动模糊，对拍摄的太模糊的图可以试试，可能会清楚一点。

https://download.csdn.net/download/juebai123/11074848