Exponenta Banner

patchGANDiscriminator

Создайте сеть дискриминатора PatchGAN

Свернуть все на странице

Синтаксис

net = patchGANDiscriminator(inputSize)
net = patchGANDiscriminator(inputSize,Name,Value)

Описание

пример

net = patchGANDiscriminator(inputSize) создает сеть дискриминатора PatchGAN для входа размера inputSize. Дополнительные сведения об архитектуре сети PatchGAN см. в разделе Сеть дискриминатора PatchGAN.

Эта функция требует Deep Learning Toolbox™.

пример

net = patchGANDiscriminator(inputSize,Name,Value) управляет свойствами сети PatchGAN с помощью аргументов имя-значение.

Можно создать сеть дискриминатора PatchGAN 1 на 1, называемую пиксельной сетью дискриминатора, задав 'NetworkType'аргумент как "pixel". Для получения дополнительной информации об архитектуре сети пиксельных дискриминаторов смотрите Pixel Discriminator Network.

Примеры

свернуть все

Этот пример использует:

Открыть Live Script

Задайте размер входного сигнала сети для цветного изображения размером 256 на 256 пикселей.

inputSize = [256 256 3];

Создайте сеть дискриминатора PatchGAN с заданным размером входного сигнала.

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

Отображение сети.

analyzeNetwork(net)

Этот пример использует:

Открыть Live Script

Задайте размер входного сигнала сети для цветного изображения размером 256 на 256 пикселей.

inputSize = [256 256 3];

Создайте сеть дискриминатора пикселей с заданным размером входа.

net = patchGANDiscriminator(inputSize,"NetworkType","pixel")
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

Отображение сети.

analyzeNetwork(net)

Входные параметры

свернуть все

Размер входа сети, заданный как 3-элементный вектор положительных целых чисел. inputSize имеет вид [H W C], где H - высота, W - ширина, а C - количество каналов. Если вход дискриминатора является канально-согласованным dlarray (Deep Learning Toolbox), тогда C должен быть сцепленным размером.

Пример: [28 28 3] задает размер входа 28 на 28 пикселей для трехканального изображения.

Аргументы в виде пар имя-значение

Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.

Пример: 'FilterSize',5 создает дискриминатор, слои свертки которого имеют фильтр размером 5 на 5 пикселей

Тип сети дискриминатора, заданный в качестве одного из следующих значений.

  • "patch" - Создайте дискриминатор PatchGAN

  • "pixel" - Создайте пиксельный дискриминатор, который является дискриминатором PatchGAN 1 на 1

Типы данных: char | string

Количество операций понижающей дискретизации сети, заданное в виде положительного целого числа. Сеть дискриминатора понижает вход в 2 ^ NumDownsamplingBlocks. Этот аргумент игнорируется, когда вы задаете 'NetworkType'как "pixel".

Количество фильтров в первом блоке дискриминатора, заданное как положительное целое число.

Размер фильтра слоев свертки, заданный как положительное целое или 2-элементный вектор положительных целых чисел вида [ширина высоты ]. Когда вы задаете размер фильтра как скаляр, фильтр имеет равные высоту и ширину. Типичные фильтры имеют высоту и ширину от 1 до 4. Этот аргумент имеет эффект только, когда вы задаете 'NetworkType'как "patch".

Стиль заполнения, используемый в сети, задается как одно из следующих значений.

PaddingValueОписаниеПример
Числовой скалярПанель с заданным числовым значением

[314159265]→[2222222222222222314222215922222652222222222222222]

'symmetric-include-edge'Заполните используя зеркальные значения входов, включая значения ребер

[314159265]→[5115995133144113314415115995622655662265565115995]

'symmetric-exclude-edge'Заполните используя зеркальные значения входов, исключая значения ребер

[314159265]→[5626562951595141314139515951562656295159514131413]

'replicate'Заполните с использованием повторяющихся элементов границы входов

[314159265]→[3331444333144433314441115999222655522265552226555]

Инициализация веса, используемая в слоях свертки, задается как "glorot", "he", "narrow-normal", или указатель на функцию. Для получения дополнительной информации смотрите Задать Пользовательскую Функцию Инициализации Веса (Deep Learning Toolbox).

Функция активации для использования в сети, заданная в качестве одного из следующих значений. Для получения дополнительной информации и списка доступных слоев смотрите Слои активации (Deep Learning Toolbox).

  • "relu" - Использование reluLayer (Deep Learning Toolbox)

  • "leakyRelu" - Использование leakyReluLayer (Deep Learning Toolbox) с масштабным коэффициентом 0,2

  • "elu" - Использование eluLayer (Deep Learning Toolbox)

  • Объект слоя

Функция активации после последнего слоя свертки, заданная в качестве одного из следующих значений. Для получения дополнительной информации и списка доступных слоев смотрите Выходные слои (Deep Learning Toolbox).

  • "tanh" - Использование tanhLayer (Deep Learning Toolbox)

  • "sigmoid" - Использование sigmoidLayer (Deep Learning Toolbox)

  • "softmax" - Использование softmaxLayer (Deep Learning Toolbox)

  • "none" - Не используйте слой окончательной активации

  • Объект слоя

Операция нормализации для использования после каждой свертки, заданная в качестве одного из следующих значений. Для получения дополнительной информации и списка доступных слоев смотрите Normalization, Dropout и Curpping Layers (Deep Learning Toolbox).

  • "instance" - Использование instanceNormalizationLayer (Deep Learning Toolbox)

  • "batch" - Использование batchNormalizationLayer (Deep Learning Toolbox)

  • "none" - Не используйте слой нормализации

  • Объект слоя

Префикс ко всем именам слоев в сети, заданный как строковый или символьный вектор.

Типы данных: char | string

Выходные аргументы

свернуть все

Сеть дискриминатора PatchGAN, возвращенная как dlnetwork (Deep Learning Toolbox) объект.

Подробнее о

свернуть все

Сеть дискриминатора PatchGAN

Сеть дискриминатора PatchGAN состоит из модуля энкодера, который уменьшает вход в 2 ^ NumDownsamplingBlocks. Сеть по умолчанию соответствует архитектуре, предложенной Zhu et. al. [2].

Модуль энкодера состоит из начального блока слоев, который выполняет одну операцию понижающей дискретизации, NumDownsamplingBlocks-1 блоки понижающей дискретизации и конечный блок.

Таблица описывает блоки слоев, которые состоят из модуля энкодера.

Тип блокаСлоиСхема блока по умолчанию
Начальный блок

  • Система координат imageInputLayer (Deep Learning Toolbox)

  • A convolution2dLayer (Deep Learning Toolbox) с шагом [2 2], который выполняет понижающую дискретизацию

  • Слой активации, заданный как ActivationLayer аргумент имя-значение

Image input layer, 2-D convolution layer, leaky ReLU layer

Блок понижающей дискретизации

  • A convolution2dLayer (Deep Learning Toolbox) с шагом [2 2] для выполнения понижающей дискретизации

  • Дополнительный слой нормализации, заданный NormalizationLayer аргумент имя-значение

  • Слой активации, заданный как ActivationLayer аргумент имя-значение

2-D convolution layer, batch normalization layer, leaky ReLU layer

Конечный блок

  • A convolution2dLayer (Deep Learning Toolbox) с шагом [1 1]

  • Дополнительный слой нормализации, заданный NormalizationLayer аргумент имя-значение

  • Слой активации, заданный как ActivationLayer аргумент имя-значение

  • Второй convolution2dLayer (Deep Learning Toolbox) с шагом [1 1] и 1 выходным каналом

  • Необязательный слой активации, заданный FinalActivationLayer аргумент имя-значение

2-D convolution layer, batch normalization layer, leaky ReLU layer, 2-D convolution layer

Сеть дискриминатора пикселей

Сеть дискриминатора пикселей состоит из начального блока и последнего блока, которые возвращают выход размера [H W C]. Эта сеть не выполняет понижающую дискретизацию. Сеть по умолчанию соответствует архитектуре, предложенной Zhu et. al. [2].

Таблица описывает блоки слоев, которые состоят из сети.

Тип блокаСлоиСхема блока по умолчанию
Начальный блок

  • Система координат imageInputLayer (Deep Learning Toolbox)

  • A convolution2dLayer (Deep Learning Toolbox) с шагом [1 1]

  • Слой активации, заданный как ActivationLayer аргумент имя-значение

Image input layer, 2-D convolution layer, leaky ReLU layer

Конечный блок

  • A convolution2dLayer (Deep Learning Toolbox) с шагом [1 1]

  • Дополнительный слой нормализации, заданный NormalizationLayer аргумент имя-значение

  • Слой активации, заданный как ActivationLayer аргумент имя-значение

  • Второй convolution2dLayer (Deep Learning Toolbox) с шагом [1 1] и 1 выходным каналом

  • Необязательный слой активации, заданный FinalActivationLayer аргумент имя-значение

2-D convolution layer, batch normalization layer, leaky ReLU layer, 2-D convolution layer

Ссылки

[1] Изола, Филлип, Цзюнь-Янь Чжу, Тинхуэй Чжоу, и Алексей А. Эфрос. «Перевод изображения на изображение с условными состязательными сетями». В 2017 году IEEE Conference on Компьютерное Зрение and Pattern Recognition (CVPR), 5967-76. Гонолулу, HI: IEEE, 2017. https://arxiv.org/abs/1611.07004.

[2] Чжу, Цзюнь-Янь, парк Тэсун и Тунчжоу Ван. CycleGAN и pix2pix в PyTorch. https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix.

См. также

Темы

Введенный в R2021a

Документация по Image Processing Toolbox

Поддержка