循环生成对抗网络（CycleGAN）

领域专家: 人工智能技术领域

2024-01-01 08:36:47

循环生成对抗网络（CycleGAN）-CSDN博客

...全文

369 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

接下来，我们需要定义生成器、转换器和判别器。我们将使用 PyTorch 的和nn.Conv2d来定义这些网络。initinit() self.main = nn.Sequential( # 省略生成器的层定义，参考 GAN 的生成器实现 )initinit() self.main = nn.Sequential( # 省略判别器的层定义，参考 GAN 的判别器实现 )initinit```

CycleGAN，也算是笔者记录GAN生成对抗网络的第四篇，前三篇可以跳转在第三篇中，我们采用了pix2pix进行图像风格的转移，但在pix2pix上，训练往往需要在像素级上一一对应的数据，就造成了很多方面任务无法完成，有一定局限性。比如在绘画领域，我们无法得到画家当时所画的那个场景的照片，同样，我们此刻拍的照片也不能请那些画家来给咱们对照着画一幅画。这就造成了数据集无法一一对应，无法进行训练的问题。CycleGAN就是为了解决这样的问题，上面的图片就是CycleGAN所实现的效果。

给定一组随机的图像，对抗网络可以将输入图像集映射到输出域中图像的随机排列，这可能会诱导类似于目标分布的输出分布。PatchGAN 和常规 GAN 判别器之间的区别在于，常规 GAN 从 256×256 图像映射到单个标量输出，这意味着“真实”或“虚假”，而 PatchGAN 从 256×256 映射到 NxN（这里为 70×70）输出 X 数组，其中每个 Xij表示图像中的补丁。考虑一个大小为（256， 256， 3）的图像，我们将其输入到编码器中，编码器的输出将为（64， 64， 256）。

循环生成对抗网络CycleGan dataset https://people.eecs.berkeley.edu/~taesung_park/CycleGAN/datasets/vangogh2photo.zip GitHub地址：https://github.com/yunlong-G/tensorflow_learn/blob/master/GAN/CycleGan.ipynb environment python=3.6 tensorflow=1.13.1 scipy=1.2.1 keras=

cycleGAN源文：https://arxiv.org/abs/1703.10593 cycleGAN笔者实践代码：https://github.com/leehomyc/cyclegan-1 ----------------------------------------------------------------------------------------------------------------------------------------- 1 cycleGAN大体思路到了cyc

侯小啾人工智能社区

80,938

社区成员

1,727

社区内容

发帖

与我相关

我的任务

人工智能大数据python 个人社区

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章