开发WGAN-GP 3 d图像

7视图(30天)

显示旧的评论

Shuaibin广域网 2022年3月23日

0
链接

这个问题直接联系

https://es.mathworks.com/matlabcentral/answers/1678369-develop-wgan-gp-for-3-d-image

评论道: Shuaibin广域网2022年4月3日

答:接受神骑士

嗨,我是初学者在使用MATLAB开发生成对抗网络(甘斯)。基于MATLAB WGAN-GP教程,我开发了一种WGAN-GP模型三维图像(H x W x D C)。修改后的 modelGradientsD 的功能如下所示。

                          函数[gradientsD, lossD lossDUnregularized、D_X D_G_Z1] = modelGradientsD (dlnetG dlnetD, dlZ, dlX,λ)
                         
                          %计算训练图像的预测与D
                         
                          dlYPred =前进(dlnetD dlX);
                         
                          %计算预测G-generated图像与D
                         
                          dlXGenerated =前进(dlnetG, dlZ);
                         
                          dlYPredGenerated =前进(dlnetD dlXGenerated);
                         
                          %计算D (X)和D (G (Z))
                         
                          D_X =意味着(dlYPred);
                         
                          D_G_Z1 =意味着(dlYPredGenerated);
                         
                          %计算unregularized损失
                         
                          lossDUnregularized = D_G_Z1 - D_X;
                         
                          %从培训和得到插值图像生成的图像
                         
                          ε=兰德([1 1 1 1大小(dlX 5)],“喜欢”dlX);
                         
                          dlXInterpolated =ε。* dlX +(1 -ε)。* dlXGenerated;
                         
                          dlYPredInterpolated =前进(dlnetD dlXInterpolated);
                         
                          %计算梯度点球
                         
                          gradientsInterpolated = dlgradient (dlXInterpolated sum (dlYPredInterpolated),“EnableHigherDerivatives”,真正的);
                         
                          gradientsInterpolatedNorm =√总和gradientsInterpolated。^ 2, 1:4) + 1平台以及);
                         
                          gradientPenalty =λ。*意味着((gradientsInterpolatedNorm - 1) ^ 2);
                         
                          %计算梯度处罚的损失
                         
                          lossD = lossDUnregularized + gradientPenalty;
                         
                          %计算梯度的损失对可学的参数
                         
                          gradientsD = dlgradient (lossD dlnetD.Learnables);
                         
                          结束

然而,当运行程序时,弹出一个错误(如下所示)。似乎有一些错误的计算的 gradientsD ”。经过多次调试的尝试,我发现删除的 EnableHigherDerivatives 从计算的 gradientsInterpolated 可以让它。但WGAN-GP执行得很好,我有几个问题:(1)删除” EnableHigherDerivatives “会显著影响模型训练?(2)有鲁棒性问题的 dlgradient 的函数?(3)有其他解决这个错误吗?万博尤文图斯

我真的很感激如果你能提供任何想法或建议。谢谢!

                          错误使用+
                         
                          数组对这个操作不兼容的大小。
                         
                          错误在gpuArray / internal_dlconv(57)行
                         
                          扩张步伐,numGroups) +偏见;
                         
                          错误在deep.internal.recording.operations.DlconvBackwardOp /向后(第88行)
                         
                          ddZ2 = internal_dlconv (ddX、重量、zeroBias op.Args {:});
                         
                          错误在deep.internal.recording.RecordingArray / backwardPass(第89行)
                         
                          研究生= backwardTape (tm, {y}, {initialAdjoint}, x, retainData,假的,0);
                         
                          错误在dlarray / dlgradient(第132行)
                         
                          (校友,isTracedGrad) = backwardPass (y, xc, pvpairs {:});
                         
                          错误在WGANGP_V1 > modelGradientsD(第442行)
                         
                          gradientsD = dlgradient (lossD dlnetD.Learnables);
                         
                          错误在deep.internal.dlfeval(第17行)
                         
                          [varargout {1: nargout}] =乐趣(x {:});
                         
                          错误在dlfeval(40行)
                         
                          [varargout {1: nargout}] = deep.internal.dlfeval(乐趣,变长度输入宗量{:});
                         
                          错误在WGANGP_V1(第226行)
                         
                          [gradientsD, lossD lossDUnregularized、D_X D_G_Z1] = dlfeval (@modelGradientsD、dlnetG dlnetD, dlZ, dlX,λ);