DCGAN中的生成器和识别器代码详解

# DCGAN中的生成器我自己写的有一个封装好的用于生成器和识别器的卷积操作但是在这个代码中我没有使用我自己的代码

# 原因想绍一下tensorflow自带的函数所以找了一个以前在书上的代码申明一下这个不是原创但是原来代码中有几处不符合DCGAN的要求所以就做了一些修改转载链接没有就直接写成原创

建议看代码之前先看看DCGAN的特点，然后再看代码中如何实这些特点的这样会更有帮助

DCGAN（深度卷积的对抗生成网络）的特点

生成器之中：

1、在每一层操作之后，数据输出经过一个relu函数，然后使用batch_norm进行归一化处理

2、最后一层使用sigmoid函数作为激活函数，并且不使用batch_norm进行归一化操作

识别器之中：

1、除了最后一层，所有层都使用lrelu作为激活函数, 并且使用

2、最后一层使用tanh作为激活函数

3、最后一层不使用batch_norm

# 刚刚发现原来CSDN中可以直接插入代码 不错 以后就这样用了
def generator(z, reuse=None):
    size = 4
    with tf.variable_scope('generator', reuse=reuse):
        # 首先将图像进行全连接操作  然后使用relu作为激活函数 最后使用batch_norm作为全链接的输出
        g = tcl.fully_connected(z, size * size * 1024, activation_fn=tf.nn.relu, normalizer_fn=tcl.batch_norm)
        # 将上一层的图像reshape一下 
        g = tf.reshape(g, (-1, size, size, 1024))  # size
        
        # 接下来三层反置卷积操作 每层的激活函数都是relu 并且都是用batch_norm 图像返回的形状是 batch_size width high 3
        g = tcl.conv2d_transpose(g, 512, 3, stride=2,  # size*2
                                 activation_fn=tf.nn.relu, normalizer_fn=tcl.batch_norm, padding='SAME',
                                 weights_initializer=tf.random_normal_initializer(0, 0.02))
        g = tcl.conv2d_transpose(g, 256, 3, stride=2,  # size*4
                                 activation_fn=tf.nn.relu, normalizer_fn=tcl.batch_norm, padding='SAME',
                                 weights_initializer=tf.random_normal_initializer(0, 0.02))
        g = tcl.conv2d_transpose(g, 128, 3, stride=2,  # size*8
                                 activation_fn=tf.nn.relu, normalizer_fn=tcl.batch_norm, padding='SAME',
                                 weights_initializer=tf.random_normal_initializer(0, 0.02))

        g = tcl.conv2d_transpose(g, 3, 3, stride=2,  # size*16
                                 activation_fn=tf.nn.sigmoid, padding='SAME',
                                 weights_initializer=tf.random_normal_initializer(0, 0.02))
        # tensorflow中要想打印形状的话 最好直接使用值G 不要加上shape 因为有些不是numpy导致错误
        print("************生成器最后一层的返回的形状是：",g)
        return g

# 定义识别器
def discriminator(image, reuse=False):
    # 识别器中操作最为简单 上来四层卷积操作 每个卷积操作之后选择lrelu作为激活函数和batch_norm做归一化 很符合DCGAN论文上的讲解
    
    df_dim = 64
    with tf.variable_scope('discriminator', reuse=reuse):
        d= tcl.conv2d(image, num_outputs=df_dim, kernel_size=4, 
                            stride=2, activation_fn=lrelu, normalizer_fn=tcl.batch_norm)
        
        d= tcl.conv2d(d, num_outputs=df_dim * 2, kernel_size=4,  
                            stride=2, activation_fn=lrelu, normalizer_fn=tcl.batch_norm)
        d= tcl.conv2d(d, num_outputs=df_dim * 4, kernel_size=4, 
                            stride=2, activation_fn=lrelu, normalizer_fn=tcl.batch_norm)
        d= tcl.conv2d(d, num_outputs=df_dim * 8, kernel_size=4,
                            stride=2, activation_fn=lrelu, normalizer_fn=tcl.batch_norm)
       
        # flatten是将图像转化成一维的形式 因为后面的全连接fully_connected仅仅支持一维操作

        d= tcl.flatten(d)

        d = tcl.fully_connected(d, 1, activation_fn=tf.nn.tanh,
                                weights_initializer=tf.random_normal_initializer(0, 0.02))
        print("************识别器最后输出的形状是：", d)
        return d

DCGAN中的生成器和识别器代码详解

猜你喜欢