qq_41799105的博客

w_init = tf.random_normal_initializer(stddev=0.02)b_init = None # tf.constant_initializer(value=0.0)gamma_init = tf.random_normal_initializer(1., 0.02)和之前一样的初始化操作df_dim = 64lrelu = lambda x: tl.act.lrelu(x, 0.2)leaky_relu中alpha=0.2表示x<0时激活函数的斜率

w_init = tf.random_normal_initializer(stddev=0.02)b_init = None # tf.constant_initializer(value=0.0)g_init = tf.random_normal_initializer(1., 0.02)w初始化为标准差为0.02的正态分布，b初始化为0，gama初始化为均值为1 标准差为0.02的正态分布with tf.variable_scope("SRGAN_g", reuse=reuse) as v

首先跑一遍Model，然后saver = tf.train.Saver()保存和加载模型saver.save(sess, ‘路径 + 模型文件名’）tf.train.Saver()NOTE：Tensorflow 会自动生成4个文件 第一个文件为 model.ckpt.meta，保存了 Tensorflow计算图的结构，可以简单理解为神经网络的网络结构。 model.ckpt.index 和model.ckpt.data--of- 文件保存了所有变量的取值。 最后一个文件为 checkpoin

可视化操作tf.summary.scalar('generator_loss', self.G_loss)tf.summary.scalar('discriminator_loss', self.D_loss)tf.summary.scalar('distortion_penalty', distortion_penalty)if config.use_feature_matching_loss: tf.summary.scalar('feature_matching_loss', feat

G_opt = tf.train.AdamOptimizer(learning_rate=config.G_learning_rate, beta1=0.5)D_opt = tf.train.AdamOptimizer(learning_rate=config.D_learning_rate, beta1=0.5)均是采用Adam优化器，学习率为2e-4，beta1=0.5theta_G = Utils.scope_variables('generator')theta_D = Utils.sco

if config.use_vanilla_GAN is True: # Minimize JS divergence D_loss_real = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=D_x, labels=tf.ones_like(D_x))) D_loss_gen = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_wi

if mode == 'real': print('Building discriminator D(x)') elif mode == 'reconstructed': print('Building discriminator D(G(z))') else: raise NotImplementedError('Invalid discriminator mode specified.')multiscal

def decoder(w_bar, config, training, C, reuse=False, actv=tf.nn.relu, channel_upsample=960): """ Attempt to reconstruct the image from the quantized representation w_bar. Generated image should be consistent with the true image distribution whi

1 前言没想到这份代码如此困难2 开始 def dcgan_generator(z, config, training, C, reuse=False, actv=tf.nn.relu, kernel_size=5, upsample_dim=256): """ Upsample noise to concatenate with quantized representation w_bar. + z: Drawn from latent

if config.sample_noise is True: print('Sampling noise...') # noise_prior = tf.contrib.distributions.Uniform(-1., 1.) # self.noise_sample = noise_prior.sample([tf.shape(self.example)[0], config.noise_dim]) noise_prior = tf.contrib.distributi

【学习笔记】GAN模型的学习（3）------quantizer部分1 引言通过前半个月的学习，感觉学习到了不少的知识，也非常享受这个过程，下面将开始quantizer的部分。2 quantizer部分@staticmethoddef quantizer(w, config, reuse=False, temperature=1, L=5, scope='image'): """ Quantize feature map over L centers to obtain discr

李宏毅Auto-Encoder李宏毅VAE

1 引言前面导入数据部分，看到迭代器就开始有点看不懂了，有时间的话出一个迭代器的专题，下面就要进入正题了generator部分，但是从作者的第一行Global generator: Encode -> quantize -> reconstruct，就开始懵逼了，为啥生成器做的是encoder的工作，我在之前看李宏毅老师的视频的时候明明generator是做decoder的工作的呀，但是不管啦，继续往下看，相信看到后面会明白的啦2 解析encoder @staticmetho

1 引言没想到第二天就磕到了模型，肝起来吧，前面导入的包就不赘述了，主要是记录自己学习这些代码的过程和学习到的知识点，下面开始：2 init(）中的内容part 1# Build the computational graphprint('Building computational graph ...')self.G_global_step = tf.Variable(0, trainable=False)self.D_global_step = tf.Variable(0, trai

【学习笔记】 load_dataframe()的学习1 引言最近刚开始尝试复现github上的论文，经过一周环境的配置和调试代码跑起来了，然后学习了相关理论的基础知识，现在开始逐句学习代码，load_dataframe()函数在load data模块，ctrl进去他是这样定义的。 @staticmethod def load_dataframe(filename, load_semantic_maps=False): df = pd.read_hdf(filename,

【读书笔记】get_checkpoint_state()学习1 引言最近复现了第一个项目，由于项目需要训练的时间非常长，所以开始考虑用断点续训的方法来进行分段训练，找了一通之后发现，其实源代码中是有写的，更改了了checkpoint的地址后，每次还是重头开始训练，查看了checkpoint的文件夹每隔5个eproch保存了一个checkpoint，推测应该是还需要在源代码中设置开始训练的checkpoint的文件名称，下面针对get_checkpoint()开始学习。2 总体说明具体代码如下@t