Skip to content

ziyu-n/DCGAN-image-repairing

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

4 Commits
 
 
 
 
 
 
 
 

Repository files navigation

DCGAN-image-repairing

DCGAN网络实现的环境配置与图像生成的模型构建。 (一)环境配置 1.本地环境配置 (1)Anaconda的下载与安装:百度搜索Anaconda找到官网,运行安装包即可。(注意:在运行Anaconda安装程序最后行要勾选添加环境变量和设置默认python版本注意tensorflow不支持python3.7以上的版本,建议使用3.5-3.6这里使用的是3.6.10) (1) 配置虚拟环境并安装TensorFlow (2) conda create -n gpu_env tensorflow-gpu(自动安装最新版tf和相关依赖) (3)在cmd中激活环境:conda activate gpu_env (4) 安装cuda:去NVIDIA官网下载运行GPU所需的CUDA,根据自己的操作系统和显卡型号选择合适的CUDA版本

(四)深度卷积对抗网络的图像生成训练步骤 1.处理图片数据集: a)将图片格式按以脸为中心统一,切割减少无关特征(服饰等),减少计算量,提到提取效果。 b)对图片进行规范化,使图片数据集的各像素点的值在[-1,1],减少计算量 c)进行随机打乱,并分多个batch,以patch为单位训练,batch的大小不影响结果但是影响训练速度。 2.构建生成器: a)输入为(64,64,3)的破损图像,输出为(64,64,3)的修复图像 b)确定转置卷积层的层数以及每一层卷积核大小。 c)确定转置卷积后采用统一规范化和激活函数选择。 3.构建判别器: a)输入为(64,64,3)的破损图像,输出为一个数字的真图像概率 b)确定卷积层的层数以及每一层卷积核大小。 c)确定卷积后采用统一规范化和激活函数选择 4.构造优化器,确定优化参数 a)确定Adam优化器的学习率(learning_rate)以及梯度加总的衰减率(beta1) b)使用交叉熵代价函数构造如表3.1的代价函数。 5.运用测试集或者选定的样本集运行模型,测试生成的假图片。 根据假图片生成情况,对模型进行优化,参数调整等操作,直至生成的假图片的效果达到预期。

使用Celeba数据集

About

深度学习,dcgan网络,图像修复

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages