DL之DCGAN:基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成
DL之DCGAN:基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成
目录
基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成
设计思路
输出结果
核心代码
相关文章
DL之DCGAN:基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成
DL之DCGAN:基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成实现
基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成
设计思路
输出结果
X像素取值范围是[-1.0, 1.0]
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense_1 (Dense) (None, 1024) 103424
_________________________________________________________________
activation_1 (Activation) (None, 1024) 0
_________________________________________________________________
dense_2 (Dense) (None, 6272) 6428800
_________________________________________________________________
batch_normalization_1 (Batch (None, 6272) 25088
_________________________________________________________________
activation_2 (Activation) (None, 6272) 0
_________________________________________________________________
reshape_1 (Reshape) (None, 7, 7, 128) 0
_________________________________________________________________
up_sampling2d_1 (UpSampling2 (None, 14, 14, 128) 0
_________________________________________________________________
conv2d_1 (Conv2D) (None, 14, 14, 64) 204864
_________________________________________________________________
activation_3 (Activation) (None, 14, 14, 64) 0
_________________________________________________________________
up_sampling2d_2 (UpSampling2 (None, 28, 28, 64) 0
_________________________________________________________________
conv2d_2 (Conv2D) (None, 28, 28, 1) 1601
_________________________________________________________________
activation_4 (Activation) (None, 28, 28, 1) 0
=================================================================
Total params: 6,763,777
Trainable params: 6,751,233
Non-trainable params: 12,544
_________________________________________________________________
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
conv2d_3 (Conv2D) (None, 28, 28, 64) 1664
_________________________________________________________________
activation_5 (Activation) (None, 28, 28, 64) 0
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 14, 14, 64) 0
_________________________________________________________________
conv2d_4 (Conv2D) (None, 10, 10, 128) 204928
_________________________________________________________________
activation_6 (Activation) (None, 10, 10, 128) 0
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 5, 5, 128) 0
_________________________________________________________________
flatten_1 (Flatten) (None, 3200) 0
_________________________________________________________________
dense_3 (Dense) (None, 1024) 3277824
_________________________________________________________________
activation_7 (Activation) (None, 1024) 0
_________________________________________________________________
dense_4 (Dense) (None, 1) 1025
_________________________________________________________________
activation_8 (Activation) (None, 1) 0
=================================================================
Total params: 3,485,441
Trainable params: 3,485,441
Non-trainable params: 0
_________________________________________________________________
2020-11-24 21:53:56.659897: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
(25, 28, 28, 1)
核心代码
def generator_model():model = Sequential()model.add(Dense(input_dim=100, units=1024)) # 1034 1024model.add(Activation('tanh'))model.add(Dense(128*7*7))model.add(BatchNormalization())model.add(Activation('tanh'))model.add(Reshape((7, 7, 128), input_shape=(128*7*7,)))model.add(UpSampling2D(size=(2, 2)))model.add(Conv2D(64, (5, 5), padding='same'))model.add(Activation('tanh'))model.add(UpSampling2D(size=(2, 2)))model.add(Conv2D(1, (5, 5), padding='same'))model.add(Activation('tanh'))return model
def discriminator_model(): # 定义鉴别网络:输入一张图像,输出0(伪造)/1(真实)model = Sequential()model.add(Conv2D(64, (5, 5),padding='same',input_shape=(28, 28, 1)))model.add(Activation('tanh'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Conv2D(128, (5, 5)))model.add(Activation('tanh'))model.add(MaxPooling2D(pool_size=(2, 2)))model.add(Flatten())model.add(Dense(1024))model.add(Activation('tanh'))model.add(Dense(1))model.add(Activation('sigmoid'))return modelg = generator_model()
g.summary()d = discriminator_model()
d.summary()
DL之DCGAN:基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成相关推荐
- Keras之TCN:基于keras框架利用时间卷积网络TCN算法对上海最高气温实现回归预测(把时间序列数据集转化为有监督学习数据集)案例
Keras之TCN:基于keras框架利用时间卷积网络TCN算法对上海最高气温实现回归预测(把时间序列数据集转化为有监督学习数据集)案例 目录 利用时间卷积网络TCN算法对上海最高气温实现回归预测(把 ...
- DL之LiRDNNCNN:利用LiR、DNN、CNN算法对MNIST手写数字图片(csv)识别数据集实现(10)分类预测
DL之LiR&DNN&CNN:利用LiR.DNN.CNN算法对MNIST手写数字图片(csv)识别数据集实现(10)分类预测 目录 输出结果 设计思路 核心代码 输出结果 数据集:Da ...
- DL之RetinaNet:基于RetinaNet算法(keras框架)利用resnet50_coco数据集(.h5文件)实现目标检测
DL之RetinaNet:基于RetinaNet算法(keras框架)利用resnet50_coco数据集(.h5文件)实现目标检测 相关文章 DL之RetinaNet:RetinaNet算法的简介( ...
- DL之Keras:基于Keras框架建立模型实现【预测】功能的简介、设计思路、案例分析、代码实现之详细攻略(经典,建议收藏)
DL之Keras:基于Keras框架建立模型实现[预测]功能的简介.设计思路.案例分析.代码实现之详细攻略(经典,建议收藏) 目录 Keras框架使用分析 Keras框架设计思路 案例分析 代码实现 ...
- DL之LSTM:基于tensorflow框架利用LSTM算法对气温数据集训练并回归预测
DL之LSTM:基于tensorflow框架利用LSTM算法对气温数据集训练并回归预测 目录 输出结果 核心代码 输出结果 数据集 tensorboard可视化 iter: 0 loss: 0.010 ...
- DL之DCGNN:基于TF利用DCGAN实现在MNIST数据集上训练生成新样本
DL之DCGNN:基于TF利用DCGAN实现在MNIST数据集上训练生成新样本 目录 输出结果 设计思路 实现部分代码 说明:所有图片文件丢失 输出结果 更新-- 设计思路 更新-- 实现部分代码 更 ...
- 好像还挺好玩的GAN2——Keras搭建DCGAN利用深度卷积神经网络实现图片生成
好像还挺好玩的GAN2--Keras搭建DCGAN利用深度卷积神经网络实现图片生成 注意事项 学习前言 什么是DCGAN 神经网络构建 1.Generator 2.Discriminator 训练思路 ...
- LSTM模型(基于Keras框架)预测特定城市或者区域的太阳光照量实战
LSTM模型(基于Keras框架)预测特定城市或者区域的太阳光照量实战 LSTM在解决序列预测的问题时非常强大,因为它们能够存储之前的信息. LSTM是一种时间递归神经网络,它出现的原因是为了解决RN ...
- CV之YOLOv3:基于Tensorflow框架利用YOLOv3算法对热播新剧《庆余年》实现目标检测
CV之YOLOv3:基于Tensorflow框架利用YOLOv3算法对热播新剧<庆余年>实现目标检测 目录 搭建 1.下载代码 2.安装依赖库 3.导出COCO权重解压到checkpoin ...
最新文章
- php分享二十八:mysql运行中的问题排查
- php 前端页面的路由,ThinkPHP5路由
- hdu4539 郑厂长系列故事——排兵布阵 + POJ1158 炮兵阵地
- html5怎么让div集中,html – 如何集中5个div而不使用margin-left?
- 熬,是人生最深的滋味
- Python开发工具PyCharm中文版安装与配置详细图文教程
- 学子商城电子产品销售系统
- imb服务器怎么拆硬盘,IBM P750更换本地硬盘
- 计算机电源接口作用,计算机DIY必修课程,电源接口的详细说明
- 无刷舵机、普通舵机等舵机的区别
- 来了!安利一款助力百度世界2020 “5G云代驾”、直播互动的黑科技
- (一)软件测试的目的和定义
- iPhone、iPad尺寸
- Android开机速度优化简单回顾
- uniapp的语音功能
- 如何写一个自动重复发消息的脚本,聪哥手把手教你(适配任何可发消息的app),亲测有效
- 一本通 1287:最低通行费 C++
- 罐头蘑菇的全球与中国市场2022-2028年:技术、参与者、趋势、市场规模及占有率研究报告
- 翻译概论——(五)西方翻译史
- 讲清迪杰斯特拉(DIJKSTRA)算法,附python代码
热门文章
- 下载Google Play中的APK
- 解决ubuntu打开windows中txt文件出现乱码现象
- 搭建 coreseek sphinx
- 分布式系统理论基础1: 一致性、2PC和3PC
- input添加disabled属性出现的移动端兼容问题
- python3 time模块与datetime模块
- mybatis 批量增加 Parameter '__frch_item_0' not found. Available parameters are [list]
- 学习Git的最佳资料
- C#中const和static readonly 的区别
- JavaScript计算汉明距离(HammingDistance)