微步长卷积运算图示，蓝色是输入，绿色是输出。

插一段边注：进行上采样的卷积层有很多名字： 全卷积( fullconvolution), 网内上采样（in-networkupsampling）, 微步长卷积（fractionally-stridedconvolution），反向卷积（backwardsconvolution），反卷积（deconvolution）,上卷积（upconvolution），或者转置卷积（transposedconvolution）。异常不推荐应用术语“反卷积”，因为这个术语已经有其他含义了：在某种数学运算，以及计算机视觉的其它应用中，这个术语有完全不合的含义。

应用 DCGAN 构造生成器的一种办法。图像来自DCGAN论文

DCGAN 论文也提出了其他的在练习 DCGANs 时的技能和调剂，比如批量正则化（batchnormalization）以及 leaky RELUs。

练习判别器的目标是：

3.那么我们如何补全图像？

3.应用G(z)生成伪图像

让我们先停下来观赏一下 G(z) 多么强大年夜吧！DCGAN 论文给出了DCGAN在卧室数据集练习出来的样子。然后 G(z) 可以给出下面的伪图像，生成器认为的卧室是什么样子的。下面的图片都不在原始数据集里哦！

别的，你也可以在输入空间z进行代数运算。下面是一个生成人脸的收集

基于DCGAN的人脸代数运算 DCGAN论文

4.[ML-Heavy] 练习DCGAN

如今我们已经定义了G(z)，并见识了它多么强大年夜。那么我们怎么练习它呢？我们有很多未知的变量（参数），须要找到它们。此时，我们就要用到对抗收集了。

起首我们要定义一些符号。数据的概率分布（未知的）记作pdatapdata。那么G(z)，（个中z∼pzz∼pz ）可以懂得为年腋荷琐概率分布中的采样。让我们把这个概率分布记作pgpg。

判别器收集D(x)输入图像x，返回图像x是大年夜pdatapdata的分布中采样的概率。理论上，当输入图像是大年夜pdatapdata中采样获得时，判别器输出一个接近1的值，当输入图像是伪图像，比如pgpg采样获得的图像时，判别器输出一个接近0的值。在DCGANs中，D(x)是一个传统的卷积神经收集。

判别器卷积神经收集，图片来自 图像恢复论文

1、对于真实数据分布x∼pdatax∼pdata的每一张图片，最大年夜化D(x)。

2、对于不是真实数据分布x≁pdatax≁pdata的每一张图片，最小化D(x)。

生成器G(z)的练习目标是生成可以困惑D的样本。输出是一张图像，可以作为判别器的输入。是以，生成器欲望最大年夜化D(G(z)),也就是最小化(1-D(G(z)))，因为D是一个概率，取值袈溱0和1之间。

论文中提出，对抗收集是经由过程下面的最小最大年夜策略实现的。第一项中的数学期望遍历了真实数据分布，第二项的数学期望遍历了pzpz中的样本，也就是遍历了G(z)∼pgG(z)∼pg。

minGmaxDEx∼pdatalog(D(x)+Ez∼pz[log(1−D(G(z)))]minGmaxDEx∼pdatalog(D(x)+Ez∼pz[log(1−D(G(z)))] 

经由过程这个表达式关于D和G的参数的梯度，可以练习它们。我们知道若何快速计算这个表达式的每一个部分。数学期望可以经由过程大年夜小为m的小批数据来估计，内侧的最大年夜化可以经由过程k步梯度来估计。已经证实，k=1是比较合适练习的值。

我们用θdθd来表示判别器的参数，用θgθg来表示生成器的参数。关于用θdθd和θgθg的损掉的梯度可以经由过程反向传播来计算，因为D和G都是由成熟的神经收集模块构成的。下面是GAN论文中的练习策略。理论上，练习停止后，pg==pdatapg==pdata。所以G(z)可以生成服大年夜pdatapdata分布的样本。

2维图像的PDF和采样。 PDF 用等高线图表示，样本点画在膳绫擎。

GAN 论文中的练习算法。

5.现有的GAN和DCGAN实现

• 在 Github 上，你可以看到很多极棒的 GAN 和 DCGAN 实现。 
• goodfeli/adversarial: GAN论文作者写的 Theano GAN 实现。 
• tqchen/mxnet-gan: 非官方 MXNet GAN 实现。 
• Newmu/dcgan_code: DCGAN论文作者写的 Theano GAN 实现。 
• soumith/dcgan.torch: DCGAN论文作者之一 (Soumith Chintala) 的 Torch DCGAN 实现。 
• carpedm20/DCGAN-tensorflow: 非官方 TensorFlow DCGAN 实现。 
• openai/improved-gan: OpenAI 第一篇论文背后的代码。在 carpedm20/DCGAN-tensorflow 基本长进行了大年夜量的修改。 
• mattya/chainer-DCGAN: 非官方 Chainer DCGAN 实现。 
• jacobgil/keras-dcgan: 非官方 (未完成) KerasDCGAN 实现。

然后我们找到最合适填充归去的伪图片。

ifconfig.maskType == 	
			
 3/10   首页 上一页 1 2 3 4 5 6 下一页 尾页
	
			

　　推荐阅读
　　机器学习PAI实践三：雾霾成因分析
            
            一、背景本案其实是采取了两种不合的算法对于结不雅进行猜测，我们先来看看随机丛林这一分支。我们经由过程将数据集拆分，百分之八十的数据练习模型，百分之二十的数据猜测。最终模型的出>>>详细阅读


本文标题：TensorFlow实现基于深度学习的图像补全
地址：http://www.17bianji.com/lsqh/35350.html
 1/2    1