图像超分辨重构的原理，输入一张像素点少，像素较低的图像， 输出一张像素点多，像素较高的图像

而在作者的文章中，作者使用downsample_up, 使用imresize(img, []) 将图像的像素从原理的384，384降低到96， 96, 从而构造出高水平的图像和低水平的图像

作者使用了三个部分构成网络，

第一部分是生成网络，用于进行图片的生成，使用了16层的残差网络，最后的输出结果为tf.nn.tanh(),即为-1, 1, 因为图像进行了-1,1的预处理

第二部分是判别网络， 用于进行图片的判别操作，对于判别网络而言，是希望将生成的图片判别为假，将真的图片判别为真

第三部分是VGG19来提取生成图片和真实图片的conv5层卷积层的输出结果，用于生成局部部位的损失值mse

损失值说明：

d_loss:

d_loss_1: tl.cost.sigmoid_cross_entropy(logits_real, tf.ones_like(logits_real))  # 真实图像的判别结果的损失值

d_loss_2: tl.cost.sigmoid_cross_entrpopy(logits_fake, tf.zeros_like(logits_real)) # 生成图像的判别结果的损失值

g_loss:

g_gan_loss: 1e-3 * tl.cost.sigmoid_cross_entropy(logits_fake, tf.ones_like(logits_real))  # 损失值表示为 -log(D(g(lr))) # 即生成的图像被判别为真的损失值

mse_loss: tl.cost.mean_squared_error(net_g.outputs, t_target_image)  # 计算真实值与生成值之间的像素差

vgg_loss: tl.cost.mean_squared_error(vgg_predict_emb.outputs, vgg_target_emb.outputs) # 用于计算生成图片和真实图片经过vgg19的卷积层后，特征图之间的差异，用来获得特征细节的差异性

训练说明：

首先进行100次迭代，用来优化生成网络，使用tf.train.AdamOptimer(lr_v, beta1=beta1).minimize(mse_loss, var_list=g_var)

等生成网络迭代好以后，开始迭代生成网络和判别网络，以及VGG19的损失值缩小

生成网络：使用了16个残差模块，在残差模块的输入与下一层的输出之间又进行一次残差直连

判别网络：使用的是feature_map递增的卷积层构造成的判别网路

代码说明：

第一步：将参数从config中导入到main.py

第二步：使用tl.file.exists_or_mkdir() 构造用于储存图片的文件夹，同时定义checkpoint的文件夹

第三步：使用sorted(tl.files.load_file_list) 生成图片的列表， 使用tl.vis.read_images() 进行图片的读入

第四步：构建模型的构架Model

第一步：定义输入参数t_image = tf.placeholder('float32', [batch_size, 96, 96, 3]), t_target_image = tf.placeholder('float32', [batch_size, 384, 384, 3])

第二步： 使用SGRAN_g 用来生成最终的生成网络，net_g, 输入参数为t_image, is_training, reuse

第三步： 使用SGRAN_d 用来生成判别网络，输出结果为net_d网络架构，logits_real, 输入参数为t_target_image, is_training, reuse, 同理输入t_image, 获得logits_fake

第四步： 使用net_g.print_params(False) 和 net_g.print_layers() 不打印参数，打印每一层

第五步：将net_g.outputs即生成的结果和t_target_image即目标图像的结果输入到Vgg_19_simple_api, 获得vgg_net, 以及conv第五层的输出结果

第一步：tf.image.resize_images()进行图片的维度变换，为了可以使得其能输入到VGG_19中

第二步：将变化了维度的t_target_image 输入到Vgg_19_simple_api, 获得net_vgg, 和 vgg_target_emb即第五层卷积的输出结果

第三步：将变化了维度的net_g.outputs 输入到Vgg_19_simple_api, 获得 vgg_pred_emb即第五层卷积的输出结果

第六步： 构造net_g_test = SGRAN_g(t_image, False, True) 用于进行训练中的测试图片

第五步：构造模型loss，还有trian_ops操作

第一步： loss的构造， d_loss 和 g_loss的构造

第一步： d_loss的构造， d_loss_1 + d_loss_2

第一步： d_loss_1: 构造真实图片的判别损失值，即tl.cost.softmax_cross_entropy(logits_real, tf.ones_like(logits_real))

第二步： d_loss_2: 构造生成图片的判别损失值， 即tl.cost.softmax_cross_entropy(logits_fake, tf.ones_like(logits_fake))

第二步： g_loss的构造，g_gan_loss, mse_loss, vgg_loss

第一步： g_gan_loss, 生成网络被判别网络判别为真的概率，使用tl.cost.softmax_cross_entropy(logits_fake, tf.ones_like(logits_fake))

第二步：mse_loss 生成图像与目标图像之间的像素点差值，使用tl.cost.mean_squared_error(t_target_image, net_g.outputs)

第三步：vgg_loss  将vgg_target_emb.outputs与vgg_pred_emb.outputs获得第五层卷积层输出的mse_loss

第二步：构造train_op，包括 g_optim_init用预训练, 构造g_optim, d_optim

第一步：g_var = tl.layers.get_variables_with_name(‘SGRAN_g') 生成网络的参数获得

第二步： d_var = tl.layers.get_variable_with_name('SGRAN_d') 判别网络的参数获得

第三步： 使用with tf.variable_scope('learning_rate'): 使用lr_v = tf.Variable(lr_init)

第四步：定义train_op, g_optim_init, g_optim, d_optim

第一步：构造g_optim_init 使用tf.train.Adaoptimer(lr_v, beta1=betal).minimize(mse_loss, var_list=g_var)

第二步：构造g_optim 使用tf.train.Adaoptimer(lr_v, beta1=betal).minimize(g_loss, var_list=g_var)

第三步：构造d_optim 使用tf.train.Adaoptimer(lr_v, beta1=betal).minimize(d_loss, var_list=d_var)

第六步：使用tl.files.load_and_assign_npz() 载入训练好的sess参数

第一步： 使用tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=False))

第二步： tl.layers.initialize_global_variables(sess)

第三步： 使用tf.file.load_and_assign_npz 进行g_net的参数下载， 否者就下载g_{}_init的参数下载

第四步：使用tf.file.load_and_assgin_npz进行d_net的参数下载

第七步：下载VGG网络，将其运用到net_vgg

第一步：使用np.load(path, encoding='latin1').item() 下载参数

第二步：循环sorted(npz.items()) 进行参数循环，将其添加到params

第三步：使用tl.files.assign_params(sess, params, net_vgg) 将参数运用到net_vgg

第八步：进行参数的训练操作

第一步：从图片中跳出一个batch_size的数据构成测试集

第一步： 使用tl.prepro.threading_data fn = crop_sub_imgs_fn， 使用crop进行裁剪操作

第二步： 使用tl.prepro.threading_data fn = downsample 使用imresize进行图片的维度压缩

第二步：进行预训练操作

第一步：循环迭代， 获得一个batch的数据，使用crop_sub_imgs_fn 和 downsample构造低水平的数据和高水平的数据

第二步：使用sess.run， g_optim_init进行图片的预训练

第三步：进行训练操作

第一步：循环迭代，获得一个batch的数据，使用crop_sub_imgs_fn 和 downsample构造低水平的数据和高水平的数据

第二步：使用sess.run, g_optim 和 d_optim 进行图片的训练操作

第九步：进行evaluate图片的测试阶段

第一步： 构造图片展示的文件夹，使用tf.files.exits_files_mkdir

第二步: 使用tl.files.load_file_list 和 tl.vis.read_images读入图片

第三步：根据索引选择一张图片，/127.5 - 1 进行归一化处理

第四步：使用tf.placeholder('float32', [1, None, None, 3]) 构造输入的t_image

第五步： 使用SGRAN_g(t_image, False, False) 构造net_g

第六步：使用tf.Session() 构造sess，使用tl.files.load_and_assign_npz下载训练好的sess， network=net_g

第七步：使用sess.run([net_g.outputs], feed_dict={t_image:[valid_lr_img]}) 获得图片

第八步：使用tl.vis.save_images(outputs[0])保存图片

第九步：使用scipy.misc.imresize() 将低像素的图片扩大为原来的四倍，与重构的图像作对比

代码： main.py  主函数

importtensorlayer as tlimporttensorflow as tfimportnumpy as npfrom config importconfigfrom model import *

importosimporttimeimportscipy## 添加参数

batch_size =config.TRAIN.batch_size

lr_init=config.TRAIN.lr_init

betal=config.TRAIN.betal### initialze G

n_epoch_init =config.TRAIN.n_epoch_init### adversarial learning

n_epoch =config.TRAIN.n_epoch

lr_decay=config.TRAIN.lr_decay

decay_every=config.TRAIN.decay_every

ni=int(np.sqrt(batch_size))deftrain():#创建用于进行图片储存的文件

save_dir_ginit = 'sample/{}_ginit'.format(tl.global_flag['mode'])

save_dir_gan= 'sample/{}_gan'.format(tl.global_flag['mode'])

tl.files.exists_or_mkdir(save_dir_ginit)

tl.files.exists_or_mkdir(save_dir_gan)

checkpoint= 'checkpoint'tl.files.exists_or_mkdir(checkpoint)

train_hr_img_list= sorted(tl.files.load_file_list(path=config.TRAIN.hr_img_path, regx='.*.png', printable=False))

train_lr_img_list= sorted(tl.files.load_file_list(path=config.TRAIN.lr_img_path, regx='.*.png', printable=False))

train_hr_img= tl.vis.read_images(train_hr_img_list, path=config.TRAIN.hr_img_path, n_threads=8)

train_lr_img= tl.vis.read_images(train_lr_img_list, path=config.TRAIN.lr_img_path, n_threads=8)#构造输入

t_image = tf.placeholder('float32', [batch_size, 96, 96, 3])

t_target_image= tf.placeholder('float32', [batch_size, 384, 384, 3])#构造生成的model，获得生成model的输出net_g

net_g =SRGAN_g(t_image, True, False)#构造判别网络，判别net_g.output, t_target_image, net_d表示整个网络

net_d, logist_real =SRGAN_d(t_target_image, True, False)

_, logist_fake=SRGAN_d(net_g.outputs, True, True)#构造VGG网络

net_g.print_params(False)

net_g.print_layers()

net_d.print_params(False)

net_d.print_layers()#进行输入数据的维度变换，将其转换为224和224

target_image_224 = tf.image.resize_images(t_target_image, [224, 224], method=0, align_corners=False)

pred_image_224= tf.image.resize_images(net_g.outputs, [224, 224], method=0, align_corners=False)

net_vgg, vgg_target_emb= Vgg_19_simple_api((target_image_224 + 1) / 2, reuse=False)

_, vgg_pred_emb= Vgg_19_simple_api((net_g + 1) / 2, reuse=True)#进行训练阶段的测试

net_g_test =SRGAN_g(t_image, False, True)#### ========== DEFINE_TRAIN_OP =================###

d_loss_1 =tl.cost.sigmoid_cross_entropy(logist_real, tf.ones_like(logist_real))

d_loss_2=tl.cost.sigmoid_cross_entropy(logist_fake, tf.zeros_like(logist_fake))

d_loss= d_loss_1 +d_loss_2

g_gan_loss= 1e-3 *tl.cost.sigmoid_cross_entropy(logist_fake, tf.ones_like(logist_fake))

mse_loss= tl.cost.mean_squared_error(net_g.outputs, t_target_image, is_mean=True)

vgg_loss= 2e-6 * tl.cost.mean_squared_error(vgg_target_emb.outputs, vgg_pred_emb.outputs, is_mean=True)

g_loss= g_gan_loss + mse_loss +vgg_loss

g_var= tl.layers.get_variables_with_name('SRGAN_g', True, True)

d_var= tl.layers.get_variables_with_name('SRGAN_d', True, True)

with tf.variable_scope('learning_rate'):

lr_v= tf.Variable(lr_init, trainable=False)

g_optim_init= tf.train.AdamOptimizer(lr_v, beta1=betal).minimize(mse_loss, var_list=g_var)

g_optim= tf.train.AdamOptimizer(lr_v, beta1=betal).minimize(g_loss, var_list=g_var)

d_optim= tf.train.AdamOptimizer(lr_v, beta1=betal).minimize(d_loss, var_list=d_var)###======================RESTORE_MODEL_SESS ==================###

sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=False))

tl.layers.initialize_global_variables(sess)if tl.files.load_and_assign_npz(sess, checkpoint + '/g_{}.npz'.format(tl.global_flag['mode'], network=net_g)) isFalse:

tl.files.load_and_assign_npz(sess, checkpoint+ '/g_init_{}.npz'.format(tl.global_flag['mode'], network=net_g))

tl.files.load_and_assign_npz(sess, checkpoint+ '/d_{}.npz'.format(tl.global_flag['mode'], network=net_d))### ================== load vgg params =================== ###

vgg_npy_path = 'vgg19.npy'

if notos.path.isfile(vgg_npy_path):print('Please download vgg19.npz from : https://github.com/machrisaa/tensorflow-vgg')

exit()

npz= np.load(vgg_npy_path, encoding='latin1').item()

params=[]for var insorted(npz.items()):

W= np.asarray(var[1][0])

b= np.asarray(var[1][1])

params.extend([W, b])

tl.files.assign_params(sess, params, net_vgg)print('ok')###======================== TRAIN =======================###

sample_imgs =train_hr_img[0:batch_size]#进行随机裁剪，保证其维度为384

sample_imgs_384 = tl.prepro.threading_data(sample_imgs, fn=crop_sub_imgs_fn, is_random=False)#进行像素的降低

sample_imgs_96 = tl.prepro.threading_data(sample_imgs_384, fn=downsample_fn)#进行图片的保存

tl.vis.save_images(sample_imgs_96, [ni, ni], save_dir_ginit + '/_train_sample_96.png')

tl.vis.save_images(sample_imgs_384, [ni, ni], save_dir_ginit+ '/_train_sample_384.png')

tl.vis.save_images(sample_imgs_96, [ni, ni], save_dir_gan+ '/_train_sample_96.png')

tl.vis.save_images(sample_imgs_384, [ni, ni], save_dir_gan+ '/_train_sample_384.png')###======================== initial train G =====================###

for epoch inrange(n_epoch_init):

n_iter=0

init_loss_total=0for idx inrange(0, len(train_hr_img), batch_size):

b_img_384= tl.prepro.threading_data(train_hr_img[idx:idx+batch_size], fn=crop_sub_imgs_fn, is_random=False)

b_img_96= tl.prepro.threading_data(b_img_384, fn=downsample_fn)

_, MSE_LOSS= sess.run([g_optim_init, mse_loss], feed_dict={t_image:b_img_96, t_target_image:b_img_384})

init_loss_total+=MSE_LOSSif (epoch != 0) and (epoch % 10 ==0):

out= sess.run(net_g_test.outputs, feed_dict={t_image:sample_imgs_96})print('[*] save image')

tl.vis.save_images(out, [ni, ni], save_dir_ginit+ '/train_%d.png' %epoch)if (epoch != 0) and (epoch % 10 ==0):

tl.files.save_npz(net_g.all_params, name=checkpoint + '/g_init_{}.npz'.format(tl.global_flag['mode']))### ======================== train GAN ================== ###

for epoch in range(0, n_epoch+1):if epoch != 0 and epoch % decay_every ==0:

new_lr= lr_decay ** (epoch //decay_every)

sess.run(tf.assign(lr_v, new_lr*lr_v))

log= '** new learning rate: %f(for GAN)' % (lr_init *new_lr)print(log)elif epoch ==0:

sess.run(tf.assign(lr_v, lr_init))

log= '** init lr: %f decay_every_init: %d, lr_decay: %f(for GAN)'%(lr_init, decay_every, lr_decay)print(log)

epoch_time=time.time()

total_d_loss, total_g_loss, n_iter=0, 0, 0for idx inrange(0, len(train_hr_img), batch_size):

b_img_384= tl.prepro.threading_data(train_hr_img[idx:idx+batch_size], fn=crop_sub_imgs_fn, is_random=False)

b_img_96= tl.prepro.threading_data(b_img_384, fn=downsample_fn)

_, errD= sess.run([d_optim, d_loss], feed_dict={t_image:b_img_96, t_target_image:b_img_384})

_, errG, errM, errV, errA= sess.run([g_optim, g_loss, mse_loss, vgg_loss, g_gan_loss], feed_dict={t_image:b_img_96, t_target_image:b_img_384})

total_d_loss+=errD

total_g_loss+=errGif epoch != 0 and epoch % 10 ==0:

out= sess.run(net_g_test.outputs, feed_dict={t_image:sample_imgs_96})print('[*] save image')

tl.vis.save_images(out, [ni, ni], save_dir_gan+ '/train_%d' %epoch)if epoch != 0 and epoch % 10 ==0:

tl.files.save_npz(net_g.all_params, name= checkpoint + '/g_{}.npz'.format(tl.global_flag['mode']))

tl.files.save_npz(net_d.all_params, name= checkpoint + '/d_{}.npz'.format(tl.global_flag['mode']))defevaluate():

save_dir= 'sample/{}'.format(tl.global_flag['mode'])

tl.files.exists_or_mkdir(save_dir)

checkpoints= 'checkpoints'evaluate_hr_img_list= sorted(tl.files.load_file_list(config.VALID.hr_img_path, regx='.*.png', printable=False))

evaluate_lr_img_list= sorted(tl.files.load_file_list(config.VALID.lr_img_path, regx='.*.png', printable=False))

valid_lr_imgs= tl.vis.read_images(evaluate_lr_img_list, path=config.VALID.lr_img_path, n_threads=8)

valid_hr_imgs= tl.vis.read_images(evaluate_hr_img_list, path=config.VALID.hr_img_path, n_threads=8)### ==================== DEFINE MODEL =================###

imid = 64valid_lr_img=valid_lr_imgs[imid]

valid_hr_img=valid_hr_imgs[imid]

valid_lr_img= (valid_lr_img / 127.5) - 1t_image= tf.placeholder('float32', [1, None, None, 3])

net_g=SGRAN_g(t_image, False, False)

sess=tf.Session()

tl.files.load_and_assign_npz(sess, checkpoints+ '/g_{}.npz'.format(tl.global_flag['mode']), network=net_g)

output= sess.run([net_g.outputs], feed_dict={t_image:[valid_lr_img]})

tl.vis.save_images(output[0], [ni, ni], save_dir+ '/valid_gen.png')

tl.vis.save_images(valid_lr_img, [ni, ni], save_dir+ '/valid_lr.png')

tl.vis.save_images(valid_hr_img, [ni, ni], save_dir+ '/valid_hr.png')

size=valid_hr_img.shape

out_bicu= scipy.misc.imresize(valid_lr_img, [size[0]*4, size[1]*4], interp='bicubic', mode=None)

tl.vis.save_images(out_bicu, [ni, ni], save_dir+ '/valid_out_bicu.png')if __name__ == '__main__':importargparse

parse=argparse.ArgumentParser()

parse.add_argument('--mode', type=str, default='srgan', help='srgan evaluate')

args=parse.parse_args()

tl.global_flag['mode'] =args.modeif tl.global_flag['mode'] == 'srgan':

train()elif tl.global_flag['mode'] == 'evaluate':

evaluate()

model.py 构建模型

importtensorflow as tfimporttensorlayer as tlfrom tensorlayer.layers import *

importtimedefSRGAN_g(input_image, is_train, reuse):

w_init= tf.random_normal_initializer(stddev=0.2)

b_init=None

g_init= tf.random_normal_initializer(1, 0.02)

with tf.variable_scope('SRGAN_g', reuse=reuse):

n= InputLayer(input_image, name='in')

n= Conv2d(n, 64, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', W_init=w_init, name='n64s1/c')

temp=nfor i in range(16):

nn= Conv2d(n, 64, (3, 3), (1, 1), act=None, padding='SAME', W_init=w_init, name='n64s1/c1/%d' %i)

nn= BatchNormLayer(nn, act=tf.nn.relu, is_train=is_train, gamma_init=g_init, name='n64s1/b1/%d' %i)

nn= Conv2d(nn, 64, (3, 3), (1, 1), act=None, padding='SAME', W_init=w_init, name='n64s1/c2/%d' %i)

nn= BatchNormLayer(nn, act=None, is_train=is_train, gamma_init=g_init, name='n64s1/b2/%d'%i)

nn= ElementwiseLayer([n, nn], tf.add, name='b_residual_add_%d' %i)

n=nn

n= Conv2d(n, 64, (3, 3), (1, 1), act=None, padding='SAME', W_init=w_init, name='n64s1/c3')

n= BatchNormLayer(n, act=None, is_train=is_train, gamma_init=g_init, name='n64s1/b3')

n= ElementwiseLayer([temp, n], tf.add, name='add3')#进行反卷积操作

n = Conv2d(n, 256, (3, 3), (1, 1), act=None, padding='SAME', W_init=w_init, name='n64s1/c4')

n= SubpixelConv2d(n, scale=2, n_out_channel=None, act=tf.nn.relu, name='pixelshuffler2/1')

n= Conv2d(n, 256, (3, 3), (1, 1), act=None, padding='SAME', W_init=w_init, name='n64s1/c5')

n= SubpixelConv2d(n, scale=2, n_out_channel=None, act=tf.nn.relu, name='pixelshuffle2/2')

n= Conv2d(n, 3, (1, 1), (1, 1), act=tf.nn.tanh, padding='SAME', W_init=w_init, name='out')returnndef SRGAN_d(input_image, is_training=True, reuse=False):

w_init= tf.random_normal_initializer(stddev=0.2)

b_init=None

g_init= tf.random_normal_initializer(1.0, stddev=0.02)

lrelu= lambda x: tl.act.lrelu(x, 0.2)

df_dim= 64with tf.variable_scope('SRGAN_d', reuse=reuse):

tl.layers.set_name_reuse(reuse)

net_in= InputLayer(input_image, name='input/image')

net_h0= Conv2d(net_in, df_dim, (4, 4), (2, 2), act=lrelu, padding='SAME', W_init=w_init, name='h0/c')

net_h1= Conv2d(net_h0, df_dim*2, (4, 4), (2, 2), act=None, padding='SAME', W_init=w_init, name='h1/c')

net_h1= BatchNormLayer(net_h1, act=lrelu, is_train=is_training, gamma_init=g_init, name='h1/bn')

net_h2= Conv2d(net_h1, df_dim*4, (4, 4), (2, 2), act=None, padding='SAME', W_init=w_init, name='h2/c')

net_h2= BatchNormLayer(net_h2, act=lrelu, is_train=is_training, gamma_init=g_init, name='h2/bn')

net_h3= Conv2d(net_h2, df_dim*8, (4, 4), (2, 2), act=None, padding='SAME', W_init=w_init, name='h3/c')

net_h3= BatchNormLayer(net_h3, act=lrelu, is_train=is_training, gamma_init=g_init, name='h3/bn')

net_h4= Conv2d(net_h3, df_dim*16, (4, 4), (2, 2), act=None, padding='SAME', W_init=w_init, name='h4/c')

net_h4= BatchNormLayer(net_h4, act=lrelu, is_train=is_training, gamma_init=g_init, name='h4/bn')

net_h5= Conv2d(net_h4, df_dim*32, (4, 4), (2, 2), act=None, padding='SAME', W_init=w_init, name='h5/c')

net_h5= BatchNormLayer(net_h5, act=lrelu, is_train=is_training, gamma_init=g_init, name='h5/bn')

net_h6= Conv2d(net_h5, df_dim*16, (1, 1), (1, 1), act=None, padding='SAME', W_init=w_init, name='h6/c')

net_h6= BatchNormLayer(net_h6, act=lrelu, is_train=is_training, gamma_init=g_init, name='h6/bn')

net_h7= Conv2d(net_h6, df_dim*8, (1, 1), (1, 1), act=None, padding='SAME', W_init=w_init, name='h7/c')

net_h7= BatchNormLayer(net_h7, act=lrelu, is_train=is_training, gamma_init=g_init, name='h7/bn')

net= Conv2d(net_h7, df_dim*2, (1, 1), (1, 1), act=None, padding='SAME', W_init=w_init, name='reg/c')

net= BatchNormLayer(net, act=lrelu, is_train=is_training, gamma_init=g_init, name='reg/bn')

net= Conv2d(net, df_dim*2, (3, 3), (1, 1), act=None, padding='SAME', W_init=w_init, name='reg/c2')

net= BatchNormLayer(net, act=lrelu, is_train=is_training, gamma_init=g_init, name='reg/bn2')

net= Conv2d(net, df_dim*8, (3, 3), (1, 1), act=None, padding='SAME', W_init=w_init, name='reg/c3')

net= BatchNormLayer(net, act=lrelu, is_train=is_training, gamma_init=g_init, name='reg/bn3')

net_h8= ElementwiseLayer([net_h7, net], tf.add, name='red/add')

net_h8.outputs= tl.act.lrelu(net_h8.outputs, 0.2)

net_ho= FlattenLayer(net_h8, name='ho/flatten')

net_ho= DenseLayer(net_ho, n_units=1, act=tf.identity, W_init=w_init, name='ho/dense')

logits=net_ho.outputs

net_ho.outputs=tf.nn.sigmoid(net_ho.outputs)returnnet_ho, logitsdefVgg_19_simple_api(input_image, reuse):

VGG_MEAN= [103.939, 116.779, 123.68]#将输入的rgb图像转换为bgr

with tf.variable_scope('VGG19', reuse=reuse) as vs:

start_time=time.time()print('build the model')

input_image= input_image * 255red, green, blue= tf.split(input_image, 3, 3)assert red.get_shape().as_list()[1:] == [224, 224, 1]assert green.get_shape().as_list()[1:] == [224, 224, 1]assert blue.get_shape().as_list()[1:] == [224, 224, 1]

bgr= tf.concat([blue-VGG_MEAN[0], green-VGG_MEAN[1], red-VGG_MEAN[2]], axis=3)assert input_image.get_shape().as_list()[1:] == [224, 224, 3]

net_in= InputLayer(bgr, name='input')#构建网络

"""conv1"""network= Conv2d(net_in, 64, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv1_1')

network= Conv2d(network, 64, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv1_2')

network= MaxPool2d(network, (2, 2), (2, 2), padding='SAME', name='pool1')'''conv2'''network= Conv2d(network, 128, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv2_1')

network= Conv2d(network, 128, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv2_2')

network= MaxPool2d(network, (2, 2), (2, 2), padding='SAME', name='pool2')'''conv3'''network= Conv2d(network, 256, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv3_1')

network= Conv2d(network, 256, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv3_2')

network= Conv2d(network, 256, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv3_3')

network= Conv2d(network, 256, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv3_4')

network= MaxPool2d(network, (2, 2), (2, 2), padding='SAME', name='pool3')'''conv4'''network= Conv2d(network, 512, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv4_1')

network= Conv2d(network, 512, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv4_2')

network= Conv2d(network, 512, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv4_3')

network= Conv2d(network, 512, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv4_4')

network= MaxPool2d(network, (2, 2), (2, 2), padding='SAME', name='pool4')'''conv5'''network= Conv2d(network, 512, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv5_1')

network= Conv2d(network, 512, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv5_2')

network= Conv2d(network, 512, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv5_3')

network= Conv2d(network, 512, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv5_4')

network= MaxPool2d(network, (2, 2), (2, 2), padding='SAME', name='pool5')

conv=network"""fc6-8"""network= FlattenLayer(network, name='flatten')

network= DenseLayer(network, n_units=4096, act=tf.nn.relu, name='fc6')

network= DenseLayer(network, n_units=4096, act=tf.nn.relu, name='fc7')

network= DenseLayer(network, n_units=1000, act=tf.identity, name='fc8')print('finish the bulid %fs' % (time.time() -start_time))return network, conv

config.py  参数文件

from easydict importEasyDict as edictimportjson

config=edict()

config.TRAIN=edict()#Adam

config.TRAIN.batch_size = 1config.TRAIN.lr_init= 1e-4config.TRAIN.betal= 0.9

### initialize G

config.TRAIN.n_epoch_init = 100

### adversarial_leaning

config.TRAIN.n_epoch = 2000config.TRAIN.lr_decay= 0.1config.TRAIN.decay_every= int(config.TRAIN.n_epoch / 2)## train set location

config.TRAIN.hr_img_path = r'C:\Users\qq302\Desktop\srdata\DIV2K_train_HR'config.TRAIN.lr_img_path= r'C:\Users\qq302\Desktop\srdata\DIV2K_train_LR_bicubic\X4'

#valid set location

config.VALID=edict()

config.VALID.hr_img_path= r'C:\Users\qq302\Desktop\srdata\DIV2K_valid_HR'config.VALID.lr_img_path= r'C:\Users\qq302\Desktop\srdata\DIV2K_valid_LR_bicubic/X4'

utils.py  操作文件

from tensorlayer.prepro import *

def crop_sub_imgs_fn(img, is_random=True):

x= crop(img, wrg=384, hrg=384, is_random=is_random)#进行 -1 - 1 的归一化

x = x / 127.5 - 1

returnxdefdownsample_fn(img):

x= imresize(img, [96, 96], interp='bicubic', mode=None)#存在一定的问题

x = x / 127.5 - 1

return x