我们经由过程对梯度∇zL(z)∇zL(z)进行梯度降低，可以迭代地求出 argminzL(z)arg⁡minzL(z) 。我们定义了损掉函数之后，Tensorflow 的 automatic differentiation 可以主动地为我们计算出这个值！所以，完全的基于DCGANs的实现可以经由过程在现有的DCGAN实现上添加4行Tensorflow代率攀来完成。（当然，实现它还须要一些非 Tensorflow代码。）

self.contextual_loss= tf.reduce_sum( 
 
tf.contrib.layers.flatten( 
 
    tf.abs(tf.mul(self.mask, self.G) -tf.mul(self.mask, self.images))), 1) 
 
self.perceptual_loss= self.g_loss 
 
self.complete_loss= self.contextual_loss + self.lam*self.perceptual_loss 
 
self.grad_complete_loss= tf.gradients(self.complete_loss, self.z) 

接下来，我们定义掩码。我只是在图像的中心区域加了一个，你可以加一些其余，比如随机掩码，然后发一个pull请求。

梯度降低方面，我们对于z在[-1, 1]上的投影，应用小批量、含动量的投影梯度降低。

大年夜这个分布中采样，就可以获得一些数据。须要搞清跋扈的是PDF和样本之间的接洽。

for idx inxrange(0, batch_idxs): 
 
    batch_images = ... 
 
    batch_mask = np.resize(mask,[self.batch_size] + self.image_shape) 
 
    zhats = np.random.uniform(-1, 1,size=(self.batch_size, self.z_dim)) 
 
  
 
    v = 0 
 
    for i in xrange(config.nIter): 
 
        fd = { 
 
            self.z: zhats, 
 
            self.mask: batch_mask, 
 
            self.images: batch_images, 
 
        } 
 
        run = [self.complete_loss,self.grad_complete_loss, self.G] 
 
        loss, g, G_imgs = self.sess.run(run,feed_dict=fd) 
 
  
 
        v_prev = np.copy(v) 
 
        v = config.momentum*v - config.lr*g[0] 
 
        zhats += -config.momentum * v_prev +(1+config.momentum)*v 
 
        zhats = np.clip(zhats, -1, 1) 

4.补全图像

选择一些用于图像补全的图片，将它们放到dcgan-completion.tensorflow/your-test-data/raw 。然后像之前dcgan-completion.tensorflow/your-test-data/aligned 那样分列整洁。这里我大年夜LFW中随机抽出一些图像。我的DCGAN没有应用LFW的图像来练习。

　　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