cycleGANGenerator

创建用于图像到图像转换的CycleGAN生成器网络

在页面中全部折叠

语法

净= cycleGANGenerator (inputSize)

网= cycleGANGenerator (inputSize、名称、值)

描述

例子

网= cycleGANGenerator (inputSize）为输入大小创建一个CycleGAN生成器网络inputSize．有关网络体系结构的更多信息，请参见CycleGAN发电机网络．

该功能需要深度学习工具箱™。

例子

网= cycleGANGenerator (inputSize,名称,值）使用名称-值参数修改CycleGAN网络的各个方面。

例子

全部折叠

创建CycleGAN生成器

这个示例使用:

打开生活的脚本

为大小为256 × 256的RGB图像指定网络输入大小。

inputSize = [256 256 3];

创建一个CycleGAN生成器，生成输入大小的RGB图像。

净= cycleGANGenerator (inputSize)

net = dlnetwork with properties: Layers: [72x1 nnet.cnn.layer.Layer] Connections: [80x2 table] Learnables: [94x3 table] State: [0x3 table] InputNames: {'inputLayer'} OutputNames: {'fActivation'} Initialized: 1用summary查看摘要。

显示网络。

analyzeNetwork(净)

用六个剩余块创建CycleGAN生成器

这个示例使用:

打开生活的脚本

为大小为128 × 128像素的RGB图像指定网络输入大小。

inputSize = [128 128 3];

创建一个带有六个剩余块的CycleGAN生成器。在所有层名中添加前缀“cycleGAN6_”。

网= cycleGANGenerator (inputSize,“NumResidualBlocks”6.．.“NamePrefix”,“cycleGAN6_”）

net = dlnetwork with properties: Layers: [54x1 nnet.cnn.layer.Layer] Connections: [59x2 table] Learnables: [70x3 table] State: [0x3 table] InputNames: {'cycleGAN6_inputLayer'} OutputNames: {'cycleGAN6_fActivation'} Initialized: 1查看summary。

显示网络。

analyzeNetwork(净)

输入参数

全部折叠

`inputSize`- - - - - -网络输入大小
正整数的三元向量

网络输入大小，指定为3元素的正整数向量。inputSize具有[HWC),H的高度,W是宽度，和C是通道数。

例子:[28日28日3]为3通道图像指定28 × 28像素的输入大小。

名称-值参数

指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名-值参数必须出现在其他参数之后，但对的顺序并不重要。

在R2021a之前，名称和值之间用逗号隔开，并括起来的名字在报价。

例子:“NumFiltersInFirstBlock”,32在第一个卷积层中创建一个具有32个过滤器的网络

`NumDownsamplingBlocks`- - - - - -下采样块数
`2`(默认)|正整数

网络编码器模块中的下采样块数，指定为正整数。总的来说，网络对输入进行了2^的下采样NumDownsamplingBlocks．解码器模块由相同数量的上采样块组成。

`NumFiltersInFirstBlock`- - - - - -第一卷积层的滤波器数量
`64`(默认)|积极的偶数

第一个卷积层中的过滤器数量，指定为正偶整数。

`NumOutputChannels`- - - - - -输出通道数
`“汽车”`(默认)|正整数

输出通道的数量，指定为“汽车”或者一个正整数。当你指定“汽车”，输出通道数与输入通道数相同。

`FilterSizeInFirstAndLastBlocks`- - - - - -第一个和最后一个卷积层的过滤器大小
`7`(默认)|积极的奇数|正奇整数的2元向量

第一个和最后一个卷积层中的过滤器大小，指定为正奇数整数或形式为[的正奇数整数的2元素向量高度宽度］．当将筛选器大小指定为标量时，筛选器具有相同的高度和宽度。

`FilterSizeInIntermediateBlocks`- - - - - -中间卷积层的滤波器大小
`3.`(默认)|正奇整数的2元向量|积极的奇数

中间卷积层中的过滤器大小，指定为正奇数整数或形式为[的正奇数整数的2元向量高度宽度］．中间卷积层是除第一卷积层和最后卷积层之外的卷积层。当将筛选器大小指定为标量时，筛选器具有相同的高度和宽度。典型值在3到7之间。

`NumResidualBlocks`- - - - - -剩余块数
`9`(默认)|正整数

剩余块数，指定为正整数。通常，该值设置为6对于大小为128 * 128和9适用于256 * 256或更大尺寸的图像。

`ConvolutionPaddingValue`- - - - - -风格的填充
`“symmetric-exclude-edge”`(默认)|`“复制”`|`“symmetric-include-edge”`|数字标量

网络中使用的填充样式，指定为这些值之一。

`PaddingValue`	描述	例子
数字标量	用指定的数值填充	$(\begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to (\begin{matrix} 2 & 2 & 2 & 2 & 2 & 2 & 2 \\ 2 & 2 & 2 & 2 & 2 & 2 & 2 \\ 2 & 2 & 3. & 1 & 4 & 2 & 2 \\ 2 & 2 & 1 & 5 & 9 & 2 & 2 \\ 2 & 2 & 2 & 6 & 5 & 2 & 2 \\ 2 & 2 & 2 & 2 & 2 & 2 & 2 \\ 2 & 2 & 2 & 2 & 2 & 2 & 2 \end{matrix} ］$
`“symmetric-include-edge”`	使用输入的镜像值(包括边值)进行填充	$(\begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to (\begin{matrix} 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \end{matrix} ］$
`“symmetric-exclude-edge”`	使用输入的镜像值(不包括边值)进行填充	$(\begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to (\begin{matrix} 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \end{matrix} ］$
`“复制”`	使用输入的重复边框元素填充	$(\begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to (\begin{matrix} 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 1 & 1 & 1 & 5 & 9 & 9 & 9 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \end{matrix} ］$

`UpsampleMethod`- - - - - -用于上采样激活的方法
`“transposedConv”`(默认)|`“bilinearResize”`|`“pixelShuffle”`

用于升级激活的方法，指定为以下值之一:

“transposedConv”——使用一个transposedConv2dLayer(深度学习工具箱)迈着[2 2]的大步
“bilinearResize”——使用一个convolution2dLayer(深度学习工具箱)步进[11 1]后面跟着aresize2dLayer刻度为[2 2]
“pixelShuffle”——使用一个convolution2dLayer(深度学习工具箱)步进[11 1]后面跟着adepthToSpace2dLayer块大小为[2 2]

数据类型:字符|字符串

`ConvolutionWeightsInitializer`- - - - - -卷积层中使用的权重初始化
`“narrow-normal”`(默认)|`“glorot”`|`“他”`|函数

在卷积层中使用的权重初始化，指定为“glorot”,“他”,“narrow-normal”，或函数句柄。有关更多信息，请参见指定自定义权重初始化函数(深度学习工具箱)．

`ActivationLayer`- - - - - -激活函数
`“relu”`(默认)|`“leakyRelu”`|`“elu”`|层对象

要在网络中使用的激活函数，指定为以下值之一。有关更多信息和可用层列表，请参见激活层(深度学习工具箱)．

“relu”——使用一个reluLayer(深度学习工具箱)
“leakyRelu”——使用一个leakyReluLayer(深度学习工具箱)其比例系数为0.2
“elu”——使用一个eluLayer(深度学习工具箱)
一层对象

`FinalActivationLayer`- - - - - -最后卷积后的激活函数
`”“双曲正切`(默认)|`“没有”`|`“乙状结肠”`|`“softmax”`|层对象

激活函数后的最终卷积层，指定为这些值之一。有关更多信息和可用层列表，请参见输出层(深度学习工具箱)．

”“双曲正切——使用一个tanhLayer(深度学习工具箱)
“乙状结肠”——使用一个sigmoidLayer(深度学习工具箱)
“softmax”——使用一个softmaxLayer(深度学习工具箱)
“没有”-不要使用最终激活层
一层对象

`NormalizationLayer`- - - - - -归一化操作
`“实例”`(默认)|`“没有”`|`“批”`|层对象

在每次卷积之后使用的归一化操作，指定为以下值之一。有关更多信息和可用层列表，请参见归一化层(深度学习工具箱)．

“实例”——使用一个instanceNormalizationLayer(深度学习工具箱)
“批”——使用一个batchNormalizationLayer(深度学习工具箱)
“没有”不要使用归一化层
一层对象

`辍学`- - - - - -辍学的可能性
`0`(默认)|[0,1]范围内的数字

退出概率，指定为范围[0,1]内的数字。的值0，则网络不包含辍学层。如果指定的值大于0，则网络包含dropoutLayer(深度学习工具箱)在每个剩余块中。

`NamePrefix`- - - - - -所有层名的前缀
`＂＂`(默认)|字符串|特征向量

网络中所有层名的前缀，指定为字符串或字符向量。

数据类型:字符|字符串

输出参数

全部折叠

`网`- CycleGAN发电机网络
`dlnetwork`对象

CycleGAN发电机网络，返回为dlnetwork(深度学习工具箱)对象。

块类型	层	默认块示意图
最初的块	一个`imageInputLayer`(深度学习工具箱)．一个`convolution2dLayer`(深度学习工具箱)步长为[1 1]，滤镜大小为`FilterSizeInFirstAndLastBlocks`．控件指定的可选规范化层`NormalizationLayer`名称-值参数。控件指定的激活层`ActivationLayer`名称-值参数。
将采样块	一个`convolution2dLayer`(深度学习工具箱)步长[2 2]执行下采样。卷积层的滤波器大小为`FilterSizeInIntermediateBlocks`．控件指定的可选规范化层`NormalizationLayer`名称-值参数。控件指定的激活层`ActivationLayer`名称-值参数。
剩余块	一个`convolution2dLayer`(深度学习工具箱)步长为[1 1]，滤镜大小为`FilterSizeInIntermediateBlocks`．控件指定的可选规范化层`NormalizationLayer`名称-值参数。控件指定的激活层`ActivationLayer`名称-值参数。一个可选的`dropoutLayer`(深度学习工具箱)．默认情况下，残留块省略dropout层。属性来包含一个退出层`辍学`名称-值参数作为(0,1]范围内的值。第二个`convolution2dLayer`(深度学习工具箱)．可选的第二层归一化层。一个`additionLayer`(深度学习工具箱)它提供了每个块之间的跳过连接。
Upsampling块	一个上采样层，该上采样层根据`UpsampleMethod`名称-值参数。卷积层的滤波器大小为`FilterSizeInIntermediateBlocks`．控件指定的可选规范化层`NormalizationLayer`名称-值参数。控件指定的激活层`ActivationLayer`名称-值参数。
最后一块	一个`convolution2dLayer`(深度学习工具箱)步长为[1 1]，滤镜大小为`FilterSizeInFirstAndLastBlocks`．控件指定的可选激活层`FinalActivationLayer`名称-值参数。

参考文献

[1]朱俊燕，朴taesung Park, Phillip Isola, Alexei A. Efros。使用周期一致对抗网络的未配对图像对图像翻译。在2017 IEEE计算机视觉国际会议(ICCV), 2242 - 2251。威尼斯:IEEE 2017。https://ieeexplore.ieee.org/document/8237506．

[２]朱俊燕，朴taesung Park，王通洲。“PyTorch中的CycleGAN和pix2pix。”https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix．

版本历史

介绍了R2021a

另请参阅

patchGANDiscriminator

cycleGANGenerator

语法

描述

例子

创建CycleGAN生成器

用六个剩余块创建CycleGAN生成器

输入参数

`inputSize`- - - - - -网络输入大小
正整数的三元向量

名称-值参数

`NumDownsamplingBlocks`- - - - - -下采样块数
`2`(默认)|正整数

`NumFiltersInFirstBlock`- - - - - -第一卷积层的滤波器数量
`64`(默认)|积极的偶数

`NumOutputChannels`- - - - - -输出通道数
`“汽车”`(默认)|正整数

`FilterSizeInFirstAndLastBlocks`- - - - - -第一个和最后一个卷积层的过滤器大小
`7`(默认)|积极的奇数|正奇整数的2元向量

`FilterSizeInIntermediateBlocks`- - - - - -中间卷积层的滤波器大小
`3.`(默认)|正奇整数的2元向量|积极的奇数

`NumResidualBlocks`- - - - - -剩余块数
`9`(默认)|正整数

`ConvolutionPaddingValue`- - - - - -风格的填充
`“symmetric-exclude-edge”`(默认)|`“复制”`|`“symmetric-include-edge”`|数字标量

`UpsampleMethod`- - - - - -用于上采样激活的方法
`“transposedConv”`(默认)|`“bilinearResize”`|`“pixelShuffle”`

`ConvolutionWeightsInitializer`- - - - - -卷积层中使用的权重初始化
`“narrow-normal”`(默认)|`“glorot”`|`“他”`|函数

`ActivationLayer`- - - - - -激活函数
`“relu”`(默认)|`“leakyRelu”`|`“elu”`|层对象

`FinalActivationLayer`- - - - - -最后卷积后的激活函数
`”“双曲正切`(默认)|`“没有”`|`“乙状结肠”`|`“softmax”`|层对象

`NormalizationLayer`- - - - - -归一化操作
`“实例”`(默认)|`“没有”`|`“批”`|层对象

`辍学`- - - - - -辍学的可能性
`0`(默认)|[0,1]范围内的数字

`NamePrefix`- - - - - -所有层名的前缀
`＂＂`(默认)|字符串|特征向量

输出参数

`网`- CycleGAN发电机网络
`dlnetwork`对象

更多关于

CycleGAN发电机网络

参考文献

版本历史

另请参阅

主题

cycleGANGenerator

语法

描述

例子

创建CycleGAN生成器

用六个剩余块创建CycleGAN生成器

输入参数

inputSize- - - - - -网络输入大小正整数的三元向量

名称-值参数

NumDownsamplingBlocks- - - - - -下采样块数2(默认)|正整数

NumFiltersInFirstBlock- - - - - -第一卷积层的滤波器数量64(默认)|积极的偶数

NumOutputChannels- - - - - -输出通道数“汽车”(默认)|正整数

FilterSizeInFirstAndLastBlocks- - - - - -第一个和最后一个卷积层的过滤器大小7(默认)|积极的奇数|正奇整数的2元向量

FilterSizeInIntermediateBlocks- - - - - -中间卷积层的滤波器大小3.(默认)|正奇整数的2元向量|积极的奇数

NumResidualBlocks- - - - - -剩余块数9(默认)|正整数

ConvolutionPaddingValue- - - - - -风格的填充“symmetric-exclude-edge”(默认)|“复制”|“symmetric-include-edge”|数字标量

UpsampleMethod- - - - - -用于上采样激活的方法“transposedConv”(默认)|“bilinearResize”|“pixelShuffle”

ConvolutionWeightsInitializer- - - - - -卷积层中使用的权重初始化“narrow-normal”(默认)|“glorot”|“他”|函数

ActivationLayer- - - - - -激活函数“relu”(默认)|“leakyRelu”|“elu”|层对象

FinalActivationLayer- - - - - -最后卷积后的激活函数”“双曲正切(默认)|“没有”|“乙状结肠”|“softmax”|层对象

NormalizationLayer- - - - - -归一化操作“实例”(默认)|“没有”|“批”|层对象

辍学- - - - - -辍学的可能性0(默认)|[0,1]范围内的数字

NamePrefix- - - - - -所有层名的前缀＂＂(默认)|字符串|特征向量

输出参数

网- CycleGAN发电机网络dlnetwork对象

更多关于

CycleGAN发电机网络

参考文献

版本历史

另请参阅

主题

`inputSize`- - - - - -网络输入大小
正整数的三元向量

`NumDownsamplingBlocks`- - - - - -下采样块数
`2`(默认)|正整数

`NumFiltersInFirstBlock`- - - - - -第一卷积层的滤波器数量
`64`(默认)|积极的偶数

`NumOutputChannels`- - - - - -输出通道数
`“汽车”`(默认)|正整数

`FilterSizeInFirstAndLastBlocks`- - - - - -第一个和最后一个卷积层的过滤器大小
`7`(默认)|积极的奇数|正奇整数的2元向量

`FilterSizeInIntermediateBlocks`- - - - - -中间卷积层的滤波器大小
`3.`(默认)|正奇整数的2元向量|积极的奇数

`NumResidualBlocks`- - - - - -剩余块数
`9`(默认)|正整数

`ConvolutionPaddingValue`- - - - - -风格的填充
`“symmetric-exclude-edge”`(默认)|`“复制”`|`“symmetric-include-edge”`|数字标量

`UpsampleMethod`- - - - - -用于上采样激活的方法
`“transposedConv”`(默认)|`“bilinearResize”`|`“pixelShuffle”`

`ConvolutionWeightsInitializer`- - - - - -卷积层中使用的权重初始化
`“narrow-normal”`(默认)|`“glorot”`|`“他”`|函数

`ActivationLayer`- - - - - -激活函数
`“relu”`(默认)|`“leakyRelu”`|`“elu”`|层对象

`FinalActivationLayer`- - - - - -最后卷积后的激活函数
`”“双曲正切`(默认)|`“没有”`|`“乙状结肠”`|`“softmax”`|层对象

`NormalizationLayer`- - - - - -归一化操作
`“实例”`(默认)|`“没有”`|`“批”`|层对象

`辍学`- - - - - -辍学的可能性
`0`(默认)|[0,1]范围内的数字

`NamePrefix`- - - - - -所有层名的前缀
`＂＂`(默认)|字符串|特征向量

`网`- CycleGAN发电机网络
`dlnetwork`对象