patchGANDiscriminator

创建PatchGAN鉴别器网络

折叠所有页面

语法

net = patchGANDiscriminator(inputSize)

net = patchGANDiscriminator(inputSize,Name,Value)

描述

例子

网= patchGANDiscriminator (inputSize）为大小的输入创建PatchGAN鉴别器网络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

网= patchGANDiscriminator (inputSize，名称,值）使用名称-值参数控制PatchGAN网络的属性。

您可以创建一个1乘1的PatchGAN鉴别器网络，称为像素鉴别器网络，通过指定NetworkType参数as“像素”．有关像素鉴别器网络体系结构的更多信息，请参见像素鉴别器网络．

例子

全部折叠

创建彩色图像的PatchGAN鉴别器

这个例子使用了:

打开实时脚本

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

这个例子使用了:

打开实时脚本

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

全部折叠

`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	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 2 & 2 & 2 & 2 & 2 & 2 & 2 \\ 2 & 2 & 2 & 2 & 2 & 2 & 2 \\ 2 & 2 & 3. & 1 & 4 & 2 & 2 \\ 2 & 2 & 1 & 5 & 9 & 2 & 2 \\ 2 & 2 & 2 & 6 & 5 & 2 & 2 \\ 2 & 2 & 2 & 2 & 2 & 2 & 2 \\ 2 & 2 & 2 & 2 & 2 & 2 & 2 \end{matrix} ］$
`“symmetric-include-edge”`	垫使用输入的镜像值，包括边缘值	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \end{matrix} ］$
`“symmetric-exclude-edge”`	使用输入的镜像值填充，不包括边缘值	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \end{matrix} ］$
`“复制”`	填充使用重复边框元素的输入	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 1 & 1 & 1 & 5 & 9 & 9 & 9 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \end{matrix} ］$

`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

输出参数

全部折叠

`网`—PatchGAN鉴别器网络
`dlnetwork`对象

PatchGAN鉴别器网络，返回为dlnetwork(深度学习工具箱)对象。

块类型	层	默认块示意图
最初的块	一个`imageInputLayer`(深度学习工具箱) 一个`convolution2dLayer`(深度学习工具箱)步幅为[2 2]，执行下采样属性指定的激活层`ActivationLayer`名称-值参数
将采样块	一个`convolution2dLayer`(深度学习工具箱)步长为[2 2]进行下采样对象指定的可选规范化层`NormalizationLayer`名称-值参数属性指定的激活层`ActivationLayer`名称-值参数
最后一块	一个`convolution2dLayer`(深度学习工具箱)大步[11 1] 对象指定的可选规范化层`NormalizationLayer`名称-值参数属性指定的激活层`ActivationLayer`名称-值参数第二个`convolution2dLayer`(深度学习工具箱)步幅为[11 1]和1个输出通道属性指定的可选激活层`FinalActivationLayer`名称-值参数

块类型	层	默认块示意图
最初的块	一个`imageInputLayer`(深度学习工具箱) 一个`convolution2dLayer`(深度学习工具箱)大步[11 1] 属性指定的激活层`ActivationLayer`名称-值参数
最后一块	一个`convolution2dLayer`(深度学习工具箱)大步[11 1] 对象指定的可选规范化层`NormalizationLayer`名称-值参数属性指定的激活层`ActivationLayer`名称-值参数第二个`convolution2dLayer`(深度学习工具箱)步幅为[11 1]和1个输出通道属性指定的可选激活层`FinalActivationLayer`名称-值参数

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

另请参阅

cycleGANGenerator

patchGANDiscriminator

语法

描述

例子

创建彩色图像的PatchGAN鉴别器

创建像素鉴别器

输入参数

`inputSize`- - - - - -网络输入大小
正整数的三元向量

名称-值参数

`NetworkType`- - - - - -鉴别器网络类型
`“补丁”`(默认)|`“像素”`

`NumDownsamplingBlocks`- - - - - -下采样块数
`3.`(默认)|正整数

`NumFiltersInFirstBlock`- - - - - -第一个鉴别器块中的输出通道数
`64`(默认)|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

`ConvolutionPaddingValue`- - - - - -填充样式
`0`(默认)|数字标量|`“复制”`|`“symmetric-include-edge”`|`“symmetric-exclude-edge”`

`ConvolutionWeightsInitializer`- - - - - -卷积层中使用的权重初始化
`“glorot”`(默认)|`“他”`|`“narrow-normal”`|函数

`ActivationLayer`- - - - - -激活函数
`“leakyRelu”`(默认)|`“relu”`|`“elu”`|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

`NormalizationLayer`- - - - - -归一化操作
`“批”`(默认)|`“没有”`|`“实例”`|层对象

`NamePrefix`- - - - - -所有层名的前缀
`＂＂`(默认)|字符串|特征向量

输出参数

`网`—PatchGAN鉴别器网络
`dlnetwork`对象

更多关于

PatchGAN鉴别器网络

像素鉴别器网络

参考文献

版本历史

另请参阅

主题

patchGANDiscriminator

语法

描述

例子

创建彩色图像的PatchGAN鉴别器

创建像素鉴别器

输入参数

inputSize- - - - - -网络输入大小正整数的三元向量

名称-值参数

NetworkType- - - - - -鉴别器网络类型“补丁”(默认)|“像素”

NumDownsamplingBlocks- - - - - -下采样块数3.(默认)|正整数

NumFiltersInFirstBlock- - - - - -第一个鉴别器块中的输出通道数64(默认)|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

ConvolutionPaddingValue- - - - - -填充样式0(默认)|数字标量|“复制”|“symmetric-include-edge”|“symmetric-exclude-edge”

ConvolutionWeightsInitializer- - - - - -卷积层中使用的权重初始化“glorot”(默认)|“他”|“narrow-normal”|函数

ActivationLayer- - - - - -激活函数“leakyRelu”(默认)|“relu”|“elu”|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

NormalizationLayer- - - - - -归一化操作“批”(默认)|“没有”|“实例”|层对象

NamePrefix- - - - - -所有层名的前缀＂＂(默认)|字符串|特征向量

输出参数

网—PatchGAN鉴别器网络dlnetwork对象

更多关于

PatchGAN鉴别器网络

像素鉴别器网络

参考文献

版本历史

另请参阅

主题

`inputSize`- - - - - -网络输入大小
正整数的三元向量

`NetworkType`- - - - - -鉴别器网络类型
`“补丁”`(默认)|`“像素”`

`NumDownsamplingBlocks`- - - - - -下采样块数
`3.`(默认)|正整数

`NumFiltersInFirstBlock`- - - - - -第一个鉴别器块中的输出通道数
`64`(默认)|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

`ConvolutionPaddingValue`- - - - - -填充样式
`0`(默认)|数字标量|`“复制”`|`“symmetric-include-edge”`|`“symmetric-exclude-edge”`

`ConvolutionWeightsInitializer`- - - - - -卷积层中使用的权重初始化
`“glorot”`(默认)|`“他”`|`“narrow-normal”`|函数

`ActivationLayer`- - - - - -激活函数
`“leakyRelu”`(默认)|`“relu”`|`“elu”`|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

`NormalizationLayer`- - - - - -归一化操作
`“批”`(默认)|`“没有”`|`“实例”`|层对象

`NamePrefix`- - - - - -所有层名的前缀
`＂＂`(默认)|字符串|特征向量

`网`—PatchGAN鉴别器网络
`dlnetwork`对象