pix2pixHDGlobalGenerator
创建pix2pixHD全球生成器网络
描述
例子
创建Pix2PixHD生成器
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
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
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 |
|
“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 |
|
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
更多关于
pix2pixHD生成器网络
一个pix2pixHD发生器网络由一个编码器模块和一个解码器模块组成。缺省网络采用Wang等人提出的体系结构。[1].
编码器模块按2^的因子对输入进行采样NumDownsamplingBlocks
.编码器模块由初始层块组成,NumDownsamplingBlocks
下采样块,和NumResidualBlocks
残块。解码器模块对输入进行2^的上采样NumDownsamplingBlocks
.解码器模块由NumDownsamplingBlocks
上采样块和最后一个块。
该表描述了组成编码器和解码器模块的层块。
块类型 | 层 | 默认块示意图 |
---|---|---|
最初的块 |
|
|
将采样块 |
|
|
剩余块 |
|
|
Upsampling块 |
|
|
最后一块 |
|
|
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
主题
- 使用深度学习从分割地图生成图像(计算机视觉工具箱)
- 开始了解用于图像到图像转换的GANs
- 创建模块化神经网络
- 深度学习层列表(深度学习工具箱)
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。