patchGANDiscriminator
创建PatchGAN鉴别器网络
描述
为大小的输入创建PatchGAN鉴别器网络网
= patchGANDiscriminator (inputSize
)inputSize
.有关PatchGAN网络体系结构的更多信息,请参见PatchGAN鉴别器网络.
此功能需要深度学习工具箱™。
例子
创建彩色图像的PatchGAN鉴别器
为大小为256 × 256像素的彩色图像指定网络的输入大小。
inputSize = [256 256 3];
使用指定的输入大小创建PatchGAN鉴别器网络。
net = patchGANDiscriminator(inputSize)
net = dlnetwork with properties: Layers: [13x1 nnet.cnn.layer.Layer] Connections: [12x2 table] Learnables: [16x3 table] State: [6x3 table] InputNames: {'input_top'} OutputNames: {'conv2d_final'} Initialized: 1查看summary with summary。
显示网络。
analyzeNetwork(净)
创建像素鉴别器
为大小为256 × 256像素的彩色图像指定网络的输入大小。
inputSize = [256 256 3];
用指定的输入大小创建像素鉴别器网络。
net = patchGANDiscriminator(inputSize,“NetworkType”,“像素”)
net = dlnetwork with properties: Layers: [7x1 nnet.cnn.layer.Layer] Connections: [6x2 table] Learnables: [8x3 table] State: [2x3 table] InputNames: {'input_top'} OutputNames: {'conv2d_final'} Initialized: 1查看summary with summary。
显示网络。
analyzeNetwork(净)
输入参数
inputSize
- - - - - -网络输入大小
正整数的三元向量
网络输入大小,指定为3个元素的正整数向量。inputSize
有[HWC),H是高度,W是宽度,和C是通道数。如果鉴别器的输入是按通道连接的dlarray
(深度学习工具箱)对象,然后C必须是连接的大小。
例子:[28 28 3]
为3通道图像指定28 × 28像素的输入大小。
名称-值参数
指定可选参数对为Name1 = Value1,…,以=家
,在那里的名字
参数名称和价值
对应的值。名称-值参数必须出现在其他参数之后,但对的顺序无关紧要。
在R2021a之前,使用逗号分隔每个名称和值,并将其括起来的名字
在报价。
例子:“FilterSize”,5
创建一个鉴别器,其卷积层具有大小为5x5像素的过滤器
NetworkType
- - - - - -鉴别器网络类型
“补丁”
(默认)|“像素”
鉴别器网络的类型,指定为这些值之一。
“补丁”
—创建PatchGAN标识符“像素”
—创建像素鉴别器,为1 × 1 PatchGAN鉴别器
数据类型:字符
|字符串
NumDownsamplingBlocks
- - - - - -下采样块数
3.
(默认)|正整数
网络下采样操作的次数,指定为正整数。鉴别器网络以2^的因数对输入进行下采样NumDownsamplingBlocks
.当指定'时,此参数将被忽略。NetworkType
”“像素”
.
NumFiltersInFirstBlock
- - - - - -第一个鉴别器块中的输出通道数
64
(默认)|正整数
第一个鉴别器块中的筛选器数目,指定为正整数。
FilterSize
- - - - - -卷积层的滤波器大小
4
(默认)|正整数|正整数的2元向量
卷积层的过滤器大小,指定为正整数或形式为[的正整数的2元素向量高度宽度].当您将筛选器大小指定为标量时,筛选器具有相等的高度和宽度。典型的过滤器的高度和宽度在1到4之间。此参数仅在指定'时有效NetworkType
”“补丁”
.
ConvolutionPaddingValue
- - - - - -填充样式
0
(默认)|数字标量|“复制”
|“symmetric-include-edge”
|“symmetric-exclude-edge”
网络中使用的填充样式,指定为这些值之一。
PaddingValue |
描述 | 例子 |
---|---|---|
数字标量 | 用指定的数值填充 |
|
“symmetric-include-edge” |
垫使用输入的镜像值,包括边缘值 |
|
“symmetric-exclude-edge” |
使用输入的镜像值填充,不包括边缘值 |
|
“复制” |
填充使用重复边框元素的输入 |
|
ConvolutionWeightsInitializer
- - - - - -卷积层中使用的权重初始化
“glorot”
(默认)|“他”
|“narrow-normal”
|函数
卷积层中使用的权重初始化,指定为“glorot”
,“他”
,“narrow-normal”
,或函数句柄。有关更多信息,请参见指定自定义权重初始化函数(深度学习工具箱).
ActivationLayer
- - - - - -激活函数
“leakyRelu”
(默认)|“relu”
|“elu”
|层对象
要在网络中使用的激活函数,指定为这些值之一。有关更多信息和可用层列表,请参见激活层(深度学习工具箱).
“relu”
-使用reluLayer
(深度学习工具箱)“leakyRelu”
-使用leakyReluLayer
(深度学习工具箱)比例系数为0.2“elu”
-使用eluLayer
(深度学习工具箱)一个层对象
FinalActivationLayer
- - - - - -最终卷积后的激活函数
“没有”
(默认)|“乙状结肠”
|“softmax”
|”“双曲正切
|层对象
最后一层卷积后的激活函数,指定为这些值之一。有关更多信息和可用层列表,请参见输出层(深度学习工具箱).
”“双曲正切
-使用tanhLayer
(深度学习工具箱)“乙状结肠”
-使用sigmoidLayer
(深度学习工具箱)“softmax”
-使用softmaxLayer
(深度学习工具箱)“没有”
-不要使用最终激活层一个层对象
NormalizationLayer
- - - - - -归一化操作
“批”
(默认)|“没有”
|“实例”
|层对象
每次卷积后使用的归一化操作,指定为这些值之一。有关更多信息和可用层列表,请参见归一化层(深度学习工具箱).
“实例”
-使用instanceNormalizationLayer
(深度学习工具箱)“批”
-使用batchNormalizationLayer
(深度学习工具箱)“没有”
-不要使用标准化层一个层对象
NamePrefix
- - - - - -所有层名的前缀
""
(默认)|字符串|特征向量
网络中所有层名称的前缀,指定为字符串或字符向量。
数据类型:字符
|字符串
更多关于
PatchGAN鉴别器网络
PatchGAN鉴别器网络由一个编码器模块组成,该模块对输入进行2^的降采样NumDownsamplingBlocks
.缺省网络采用Zhu等人提出的体系结构。[2].
编码器模块由一个初始层块组成,该层块执行一次下采样操作,NumDownsamplingBlocks
-1 downsampling块,最后一个块。
该表描述了组成编码器模块的层块。
块类型 | 层 | 默认块示意图 |
---|---|---|
最初的块 |
|
|
将采样块 |
|
|
最后一块 |
|
|
像素鉴别器网络
像素鉴别器网络由返回大小为[的输出的初始块和最终块组成。HWC].该网络不执行下行采样。缺省网络采用Zhu等人提出的体系结构。[2].
该表描述了组成网络的层块。
块类型 | 层 | 默认块示意图 |
---|---|---|
最初的块 |
|
|
最后一块 |
|
|
参考文献
[1]Isola, Phillip,朱俊燕,周廷辉,Alexei A. Efros。“基于条件对抗网络的图像到图像转换”在2017 IEEE计算机视觉与模式识别大会, 5967 - 76。檀香山,HI: IEEE, 2017。https://arxiv.org/abs/1611.07004.
[2]朱俊彦,朴泰成,王通洲。“PyTorch中的CycleGAN和pix2pix。”https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix.
版本历史
R2021a中引入
Beispiel offnen
Sie haben eine geänderte版本dieses Beispiels。Möchten Sie dieses Beispiel mit Ihren Änderungen öffnen?
MATLAB-Befehl
你的身体和身体之间的联系MATLAB-Befehl
Führen Sie den Befehl durch Eingabe in das MATLAB-Befehlsfenster aus。web浏览器unterstützen keine MATLAB-Befehle。
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。