SRGAN的判别器部分代码简单说明版

最新推荐文章于 2024-08-20 01:31:30 发布

影月L

最新推荐文章于 2024-08-20 01:31:30 发布

阅读量695

点赞数

文章标签：深度学习神经网络

本文链接：https://blog.csdn.net/qq_42087760/article/details/120355065

版权

SRGAN的判别器部分代码简单说明版（个人使用）

一个简单的SRGAN判别器，代码跟常规的判别器相差不大

import math
import tensorflow as tf
from keras.initializers import random_normal
from keras import layers
from keras.applications import VGG19
from keras.models import Model       #需要用到的模块

def d_block(inputs, filters, strides=1):  #块组件，包含一个卷积层，一个BN层，一个激活层
    x = layers.Conv2D(filters, kernel_size=3, strides=strides, padding='same', kernel_initializer = random_normal(stddev=0.02))(inputs)                          
    x = layers.BatchNormalization(momentum=0.5)(x)
    x = layers.LeakyReLU(alpha=0.2)(x)   #常用的非线性函数relu的变形，将负的部分乘以一个很小的参数，这里为0.2
    return x


def build_discriminator(hr_shape):     #定义一个判别器 
    inputs = layers.Input(shape=hr_shape)     #判别器的input

    x = layers.Conv2D(64, kernel_size=3, strides=1, padding='same', kernel_initializer = random_normal(stddev=0.02))(inputs)           #常用的卷积，卷积核大小为3*3，数目为64，步长为1，边缘填充，按正态分布生成随机张量，标准差为0.02；里面有个“data_format”，默认最后一维为通道数，如果不是，则要修改；
    x = layers.LeakyReLU(alpha=0.2)(x)      #常用的非线性函数relu的变形，将负的部分乘以一个很小的参数，这里为0.2

    x = d_block(x, 64, strides=2)    #将上面定义的块组件进行组合，若不指定strides，则默认为定义的1
    x = d_block(x, 128)
    x = d_block(x, 128, strides=2)
    x = d_block(x, 256)
    x = d_block(x, 256, strides=2)
    x = d_block(x, 512)
    x = d_block(x, 512, strides=2)

    x = layers.GlobalAveragePooling2D()(x)    #全局平均池化，深度神经网络中经常使用的一个层，使用前后的尺寸分别为[B,H,W,C]->[B,C].特别要注意，这个层使用之后特征图尺寸的维度变成了2维而非4维。
    x = layers.Dense(1024, kernel_initializer = random_normal(stddev=0.02))(x)      #全连接层，输出层为1024，正态初始化，标准差为0.02
    x = layers.LeakyReLU(alpha=0.2)(x) 
    validity = layers.Dense(1, activation='sigmoid', kernel_initializer = random_normal(stddev=0.02))(x)   # #全连接层，输出层为1，正态初始化，标准差为0.02，激活函数为sigmoid，输出为0到1；
    return Model(inputs, validity)      #使用inputs与outputs建立函数链式模型；