pix2pixHDGlobalGenerator

创建pix2pixHD全球生成器网络

折叠所有页面

语法

net = pix2pixHDGlobalGenerator(inputSize)

net = pix2pixHDGlobalGenerator(inputSize,Name,Value)

描述

例子

网= pix2pixHDGlobalGenerator (inputSize）为输入大小创建一个pix2pixHD生成器网络inputSize．有关网络架构的更多信息，请参见pix2pixHD生成器网络．

此功能需要深度学习工具箱™。

例子

网= pix2pixHDGlobalGenerator (inputSize，名称,值）使用名称-值参数修改pix2pixHD网络的属性。

例子

全部折叠

创建Pix2PixHD生成器

这个例子使用了:

打开实时脚本

为大小为512 × 1024像素的32通道数据指定网络输入大小。

inputSize = [512 1024 32];

创建一个pix2pixHD全局生成器网络。

net = pix2pixHDGlobalGenerator(inputSize)

net = dlnetwork with properties: Layers: [84x1 nnet.cnn.layer.Layer] Connections: [92x2 table] Learnables: [110x3 table] State: [0x3 table] InputNames: {'GlobalGenerator_inputLayer'} OutputNames: {'GlobalGenerator_fActivation'} Initialized: 1查看summary with summary。

显示网络。

analyzeNetwork(净)

创建批量归一化的Pix2PixHD生成器

这个例子使用了:

打开实时脚本

为大小为512 × 1024像素的32通道数据指定网络输入大小。

inputSize = [512 1024 32];

创建一个pix2pixHD生成器网络，在每次卷积后执行批处理归一化。

net = pix2pixHDGlobalGenerator(inputSize，“归一化”，“批”）

net = dlnetwork with properties: Layers: [84x1 nnet.cnn.layer.Layer] Connections: [92x2 table] Learnables: [110x3 table] State: [54x3 table] InputNames: {'GlobalGenerator_inputLayer'} OutputNames: {'GlobalGenerator_fActivation'} 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。

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:“NumFiltersInFirstBlock”,32在第一卷积层中创建一个有32个滤波器的网络

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

网络编码器模块中的下采样块数，指定为正整数。总的来说，该网络将输入的采样降低了2^NumDownsamplingBlocks．解码器模块由相同数量的上采样块组成。

`NumFiltersInFirstBlock`- - - - - -第一卷积层的滤波器个数
`64`(默认)|正偶数

第一卷积层中的过滤器数量，指定为正偶数。

`NumOutputChannels`- - - - - -输出通道数
`3.`(默认)|正整数

输出通道数，指定为正整数。

`FilterSizeInFirstAndLastBlocks`- - - - - -第一个和最后一个卷积层的滤波器大小
`7`(默认)|正奇数|正奇数的2元向量

网络第一层和最后一层卷积层中的过滤器大小，指定为正奇数整数或形式为[的正奇数的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。

`FilterSizeInIntermediateBlocks`- - - - - -中间卷积层中的滤波器大小
`3.`(默认)|正奇数的2元向量|正奇数

中间卷积层中的过滤器大小，指定为正奇数整数或正奇数的2元素向量，形式为[高度宽度］．中间卷积层是不包括第一层和最后一层的卷积层。当您将筛选器大小指定为标量时，筛选器具有相同的高度和宽度。典型值在3到7之间。

`NumResidualBlocks`- - - - - -剩余块数
`9`(默认)|正整数

剩余块数，指定为正整数。

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

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	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 1 & 1 & 1 & 5 & 9 & 9 & 9 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \end{matrix} ］$

`UpsampleMethod`- - - - - -用于向上采样激活的方法
`“transposedConv”`(默认)|`“bilinearResize”`|`“pixelShuffle”`

方法用于向上采样激活，指定为以下值之一:

“transposedConv”-使用transposedConv2dLayer(深度学习工具箱)大步[2 2]
“bilinearResize”-使用convolution2dLayer(深度学习工具箱)一个[11]的步幅，后面跟着一个resize2dLayer刻度为[2 2]
“pixelShuffle”-使用convolution2dLayer(深度学习工具箱)一个[11]的步幅，后面跟着一个depthToSpace2dLayer块大小为[2 2]

数据类型:字符|字符串

`ConvolutionWeightsInitializer`- - - - - -卷积层中使用的权重初始化
`“narrow-normal”`(默认)|`“glorot”`|`“他”`|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
`“relu”`(默认)|`“leakyRelu”`|`“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
`”“双曲正切`(默认)|`“乙状结肠”`|`“softmax”`|`“没有”`|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
`“实例”`(默认)|`“没有”`|`“批”`|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

`辍学`- - - - - -退出概率
`0`(默认)|在[0,1]范围内的数字

退出概率，指定为范围[0,1]中的数字。的值0时，则网络不包含掉线层。如果指定的值大于0，则该网络包含一个dropoutLayer(深度学习工具箱)在每个剩余块中。

`NamePrefix`- - - - - -所有层名的前缀
`“GlobalGenerator_”`(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`- pix2pixHD生成器网络
`dlnetwork`对象

Pix2pixHD生成器网络，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[11]，滤镜大小为`FilterSizeInFirstAndLastBlocks` 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。
将采样块	一个`convolution2dLayer`(深度学习工具箱)步长为[2 2]进行下采样。卷积层的滤波器大小为`FilterSizeInIntermediateBlocks`．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。
剩余块	一个`convolution2dLayer`(深度学习工具箱)步幅为[11]，滤镜大小为`FilterSizeInIntermediateBlocks`．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。一个可选的`dropoutLayer`(深度学习工具箱)．默认情况下，剩余块省略掉一个dropout层。属性来包含一个退出层`辍学`名称-值参数作为范围(0,1]中的值。第二个`convolution2dLayer`(深度学习工具箱)．可选的第二归一化层。一个`additionLayer`(深度学习工具箱)它提供了每个块之间的跳过连接。
Upsampling块	上采样层，上采样因子2根据`UpsampleMethod`名称-值参数。卷积层的滤波器大小为`FilterSizeInIntermediateBlocks`．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)步幅为[11]，滤镜大小为`FilterSizeInFirstAndLastBlocks`．属性指定的可选激活层`FinalActivationLayer`名称-值参数。

提示

属性为pix2pixHD创建鉴别器网络patchGANDiscriminator函数。
使用自定义训练循环训练pix2pixHD GAN网络。

参考文献

[1]王廷春，刘明宇，朱俊燕，陶安德鲁，Jan Kautz和Bryan Catanzaro。“基于条件GANs的高分辨率图像合成和语义操作”在2018 IEEE/CVF计算机视觉和模式识别会议, 8798 - 8807。盐湖城，美国:IEEE, 2018。https://doi.org/10.1109/CVPR.2018.00917．

版本历史

R2021a中引入

另请参阅

addPix2PixHDLocalEnhancer|encoderDecoderNetwork|blockedNetwork|cycleGANGenerator|unitGenerator

pix2pixHDGlobalGenerator

语法

描述

例子

创建Pix2PixHD生成器

创建批量归一化的Pix2PixHD生成器

输入参数

`inputSize`- - - - - -网络输入大小
正整数的三元向量

名称-值参数

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

`NumFiltersInFirstBlock`- - - - - -第一卷积层的滤波器个数
`64`(默认)|正偶数

`NumOutputChannels`- - - - - -输出通道数
`3.`(默认)|正整数

`FilterSizeInFirstAndLastBlocks`- - - - - -第一个和最后一个卷积层的滤波器大小
`7`(默认)|正奇数|正奇数的2元向量

`FilterSizeInIntermediateBlocks`- - - - - -中间卷积层中的滤波器大小
`3.`(默认)|正奇数的2元向量|正奇数

`NumResidualBlocks`- - - - - -剩余块数
`9`(默认)|正整数

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

`UpsampleMethod`- - - - - -用于向上采样激活的方法
`“transposedConv”`(默认)|`“bilinearResize”`|`“pixelShuffle”`

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

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

`FinalActivationLayer`- - - - - -最终卷积后的激活函数
`”“双曲正切`(默认)|`“乙状结肠”`|`“softmax”`|`“没有”`|层对象

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

`辍学`- - - - - -退出概率
`0`(默认)|在[0,1]范围内的数字

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

输出参数

`网`- pix2pixHD生成器网络
`dlnetwork`对象

更多关于

pix2pixHD生成器网络

提示

参考文献

版本历史

另请参阅

主题

pix2pixHDGlobalGenerator

语法

描述

例子

创建Pix2PixHD生成器

创建批量归一化的Pix2PixHD生成器

输入参数

inputSize- - - - - -网络输入大小正整数的三元向量

名称-值参数

NumDownsamplingBlocks- - - - - -下采样块数4(默认)|正整数

NumFiltersInFirstBlock- - - - - -第一卷积层的滤波器个数64(默认)|正偶数

NumOutputChannels- - - - - -输出通道数3.(默认)|正整数

FilterSizeInFirstAndLastBlocks- - - - - -第一个和最后一个卷积层的滤波器大小7(默认)|正奇数|正奇数的2元向量

FilterSizeInIntermediateBlocks- - - - - -中间卷积层中的滤波器大小3.(默认)|正奇数的2元向量|正奇数

NumResidualBlocks- - - - - -剩余块数9(默认)|正整数

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

UpsampleMethod- - - - - -用于向上采样激活的方法“transposedConv”(默认)|“bilinearResize”|“pixelShuffle”

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

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

FinalActivationLayer- - - - - -最终卷积后的激活函数”“双曲正切(默认)|“乙状结肠”|“softmax”|“没有”|层对象

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

辍学- - - - - -退出概率0(默认)|在[0,1]范围内的数字

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

输出参数

网- pix2pixHD生成器网络dlnetwork对象

更多关于

pix2pixHD生成器网络

提示

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

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

`NumFiltersInFirstBlock`- - - - - -第一卷积层的滤波器个数
`64`(默认)|正偶数

`NumOutputChannels`- - - - - -输出通道数
`3.`(默认)|正整数

`FilterSizeInFirstAndLastBlocks`- - - - - -第一个和最后一个卷积层的滤波器大小
`7`(默认)|正奇数|正奇数的2元向量

`FilterSizeInIntermediateBlocks`- - - - - -中间卷积层中的滤波器大小
`3.`(默认)|正奇数的2元向量|正奇数

`NumResidualBlocks`- - - - - -剩余块数
`9`(默认)|正整数

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

`UpsampleMethod`- - - - - -用于向上采样激活的方法
`“transposedConv”`(默认)|`“bilinearResize”`|`“pixelShuffle”`

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

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

`FinalActivationLayer`- - - - - -最终卷积后的激活函数
`”“双曲正切`(默认)|`“乙状结肠”`|`“softmax”`|`“没有”`|层对象

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

`辍学`- - - - - -退出概率
`0`(默认)|在[0,1]范围内的数字

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

`网`- pix2pixHD生成器网络
`dlnetwork`对象