CNN Decoder, 需要做Upsampling：

金字塔结构收缩的dimensions要膨胀回来，处理方法就是Upsampling，直接复制（容易产生棋盘条纹），或者做内插interpolation，然后再做convolution：

# define the NN architecture
class ConvAutoencoder(nn.Module):def __init__(self):super(ConvAutoencoder, self).__init__()## encoder layers ### conv layer (depth from 1 --> 16), 3x3 kernelsself.conv1 = nn.Conv2d(1, 16, 3, padding=1)  # conv layer (depth from 16 --> 8), 3x3 kernelsself.conv2 = nn.Conv2d(16, 4, 3, padding=1)# pooling layer to reduce x-y dims by two; kernel and stride of 2self.pool = nn.MaxPool2d(2, 2)## decoder layers ##self.conv4 = nn.Conv2d(4, 16, 3, padding=1)self.conv5 = nn.Conv2d(16, 1, 3, padding=1)def forward(self, x):# add layer, with relu activation function# and maxpooling afterx = F.relu(self.conv1(x))x = self.pool(x)# add hidden layer, with relu activation functionx = F.relu(self.conv2(x))x = self.pool(x)  # compressed representation## decoder # upsample, followed by a conv layer, with relu activation function  # this function is called `interpolate` in some PyTorch versionsx = F.upsample(x, scale_factor=2, mode='nearest')x = F.relu(self.conv4(x))# upsample again, output should have a sigmoid appliedx = F.upsample(x, scale_factor=2, mode='nearest')x = F.sigmoid(self.conv5(x))return x

pytorch包含了nn.ConvTranspose2d直接处理的办法：

# define the NN architecture
class ConvAutoencoder(nn.Module):def __init__(self):super(ConvAutoencoder, self).__init__()## encoder layers ### conv layer (depth from 1 --> 16), 3x3 kernelsself.conv1 = nn.Conv2d(1, 16, 3, padding=1)  # conv layer (depth from 16 --> 4), 3x3 kernelsself.conv2 = nn.Conv2d(16, 4, 3, padding=1)# pooling layer to reduce x-y dims by two; kernel and stride of 2self.pool = nn.MaxPool2d(2, 2)## decoder layers #### a kernel of 2 and a stride of 2 will increase the spatial dims by 2self.t_conv1 = nn.ConvTranspose2d(4, 16, 2, stride=2)self.t_conv2 = nn.ConvTranspose2d(16, 1, 2, stride=2)def forward(self, x):## encode ### add hidden layers with relu activation function# and maxpooling afterx = F.relu(self.conv1(x))x = self.pool(x)# add second hidden layerx = F.relu(self.conv2(x))x = self.pool(x)  # compressed representation## decode ### add transpose conv layers, with relu activation functionx = F.relu(self.t_conv1(x))# output layer (with sigmoid for scaling from 0 to 1)x = F.sigmoid(self.t_conv2(x))return x

深度学总结：CNN Decoder, Upsampling的处理相关推荐

深度卷积网络CNN与图像语义分割
转载请注明出处: http://xiahouzuoxin.github.io/notes/html/深度卷积网络CNN与图像语义分割.html 级别1:DL快速上手级别2:从Caffe着手实践级 ...
cnn是深度神经网络吗,cnn神经网络算法
1.深度学习和有效学习的区别深度学习和有效学习的区别分别是: 1.深度学习是:Deep Learning,是一种机器学习的技术,由于深度学习在现代机器学习中的比重和价值非常巨大,因此常常将深度学习单 ...
最佳深度学习书5本推荐给你
深度学习(deep learning)通过其他较简单的表示来表达复杂表示,解决了表示学习中的核心问题. 深度学习让计算机通过较简单的概念构建复杂的概念.图1.2展示了深度学习系统如何通过组合较简单的概 ...
【深度学习】CNN神经网络应用（用于亚洲大黄蜂分类）
[深度学习]CNN神经网络应用(用于亚洲大黄蜂分类) 文章目录 1 概述 2 假设条件 3 网络结构 4 数据集和参数 5 Asian hornet classification experiment ...
[caffe]深度学习之CNN检测object detection方法摘要介绍
[caffe]深度学习之CNN检测object detection方法摘要介绍 2015-08-17 17:44 3276人阅读评论(1) 收藏举报一两年cnn在检测这块的发展突飞猛进,下面详 ...
[Python人工智能] 三十.Keras深度学习构建CNN识别阿拉伯手写文字图像
从本专栏开始,作者正式研究Python深度学习.神经网络及人工智能相关知识.前一篇文章分享了生成对抗网络GAN的基础知识,包括什么是GAN.常用算法(CGAN.DCGAN.infoGAN.WGAN). ...
[Python图像识别] 四十七.Keras深度学习构建CNN识别阿拉伯手写文字图像
该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门.OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子.图像增强技术.图像分割等,后期结合深度学习研究图像识别 ...
毕业设计之 - 基于深度学的图像修复图像补全
1 前言 Hi,大家好,这里是丹成学长,今天向大家介绍基于深度学的图像修复图像补全大家可用于毕业设计 2 什么是图像内容填充修复内容识别填充(译注: Content-aware fill , ...
Tensorflow书推荐，深度学习书推荐
关键词:Tensorflow书推荐,深度学习书推荐 <TensorFlow深度学习应用实践> 作者:王晓华 <21个项目玩转深度学习基于TensorFlowr的实践详解> 作 ...

深度学总结：CNN Decoder, Upsampling的处理

CNN Decoder, 需要做Upsampling：

金字塔结构收缩的dimensions要膨胀回来，处理方法就是Upsampling，直接复制（容易产生棋盘条纹），或者做内插interpolation，然后再做convolution：

pytorch包含了nn.ConvTranspose2d直接处理的办法：

深度学总结：CNN Decoder, Upsampling的处理相关推荐

最新文章

热门文章