TensorFlow实现基于深度学习的图像补全

)

h3 = tf.nn.relu(self.g_bn3(h3))

h4, self.h4_w, self.h4_b =conv2d_transpose(h3,

[self.batch_size, 64, 64, 3],name='g_h4', with_w=True)

return tf.nn.tanh(h4)

defdiscriminator(self, image, reuse=False):

if reuse:

tf.get_variable_scope().reuse_variables()

h0 = lrelu(conv2d(image, self.df_dim,name='d_h0_conv'))

h1 = lrelu(self.d_bn1(conv2d(h0,self.df_dim*2, name='d_h1_conv')))

h2 = lrelu(self.d_bn2(conv2d(h1,self.df_dim*4, name='d_h2_conv')))

h3 = lrelu(self.d_bn3(conv2d(h2,self.df_dim*8, name='d_h3_conv')))

h4 = linear(tf.reshape(h3, [-1, 8192]), 1,'d_h3_lin')

return tf.nn.sigmoid(h4), h4

当我们初始化这个类的时刻，将要用到这两个函数来构建模型。我们须要两个判别器，它们共享（复竽暌姑）参数。一个用于来自数据分布的小批图像，另一个用于生成器生成的小批图像。

self.G =self.generator(self.z) 
 
self.D,self.D_logits = self.discriminator(self.images) 
 
self.D_,self.D_logits_ = self.discriminator(self.G, reuse=True)

■ 简介

接下来，我们定义损掉函数。这里我们不消乞降，而是用D的猜测值和真实值之间的交叉熵（cross entropy），因为它更好用。判别器欲望对所有“真”数据的猜测都是1，对所有生成器生成的“伪”数据的猜测都是0。生成器欲望判别器对两者的猜测都是1 。

self.d_loss_real= tf.reduce_mean( 
 
    tf.nn.sigmoid_cross_entropy_with_logits(self.D_logits, 
 
                                           tf.ones_like(self.D))) 
 
self.d_loss_fake= tf.reduce_mean( 
 
   tf.nn.sigmoid_cross_entropy_with_logits(self.D_logits_, 
 
                                           tf.zeros_like(	
			 5/10   首页 上一页 3 4 5 6 7 8 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