TensorFlow实现基于深度学习的图像补全

self.D_)))

self.g_loss =tf.reduce_mean(

tf.nn.sigmoid_cross_entropy_with_logits(self.D_logits_,

tf.ones_like(self.D_)))

self.d_loss =self.d_loss_real + self.d_loss_fake

将每个模型的变量汇总到一路，如许，它们可以分别练习。

t_vars = tf.trainable_variables() 
 
 
self.d_vars =[var for var in t_vars if 'd_' in var.name] 
 
self.g_vars =[var for var in t_vars if 'g_' in var.name]

如今我们开端优化参数，应用 ADAM 优化。它是一种自适应非凸优化办法，在SGD面前很有竞争力，一般不须要手动调剂进修率 (learning rate), 动量(momentum)，以及其他超参数。

d_optim =tf.train.AdamOptimizer(config.learning_rate, beta1=config.beta1) \ 
 
                  .minimize(self.d_loss,var_list=self.d_vars) 
 
g_optim =tf.train.AdamOptimizer(config.learning_rate, beta1=config.beta1) \ 
 
                  .minimize(self.g_loss,var_list=self.g_vars)

下面我们遍历数据。每一次迭代，我们采样一个小批数据，然后应用优化器来更新收集。有趣的是，如不雅G只更新一次，辨别器的损掉不会变成0。别的，我认为最后调用d_loss_fake 和 d_loss_real 进行了一些不须要的计算，因为这些值袈溱 d_optim 和 g_optim 中已经计算过了。作为Tensorflow 的一个接洽，你可以试着优化这一部分，并发送PR到原始的repo。

for epoch inxrange(config.epoch): 
 
    ... 
 
    for idx in xrange(0, batch_idxs): 
 
        batch_images = ... 
 
        batch_z = np.random.uniform(-1, 1,[config.batch_size, self.z_dim]) \ 
 
                    .astype(np.float32) 
 
        # Update D network 
 
        _, summary_str =self.sess.run([d_optim, self.d_sum], 
 
            feed_dict={ self.images:batch_images, self.z: batch_z }) 
 
  
 
        # Update G network 
 
        _, summary_str =self	
			 6/10   首页 上一页 4 5 6 7 8 9 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