函数图像

生成对抗网络因为优雅的创意和优秀的性能吸引了很多研究者与开发者，本文从简洁的案例出发详解解释了 DCGAN，包括生成器的解卷积和判别器的卷积过程。此外，本文还详细说明了 DCGAN 的实现过程，是非常好的实践教程。 热身 假设你附近有个很棒的派对，你真的非常想去。但是，存在一个问题。为了参加聚会，你需要一张特价票——但是，票已经卖完了。 等等！难道这不是关于生成对抗网络（Generative Adversarial Networks）的文章吗？是的，没错。但是请先忍忍吧，这个小故事还是很值得一说的。 好的，由于派对的期望值很高，组织者聘请了一个有资质的安全机构。他们的主要目标是不允许任何人破坏派对。为了做到这一点，场地的入口安排了很多警卫，检查每个人门票的真实性。 你并没有什么武打天赋能硬闯进去。所以，唯一的途径是通过一张非常有说服力的假票瞒天过海。 不过，这个计划存在一个很大的问题——你没见过真票长什么样。 即使根据自己的创造力设计了一张票，你是不可能在第一次尝试时能骗过警卫的。此外，如果没有一张足够真实的派对假票，带着自己做的假票进门无异于自投罗网。 为了解决这个问题，你决定打电话给你的朋友 Bob 帮你点忙。 Bob 的任务非常简单。他将用你做的假票尝试混进派对中去。如果他被拒之门外，他将为你带回有关票面样式的有用提示。 基于这个反馈，你可以再试着做一张新版假票交给 Bob

一、背景 DCGAN的全程为Deep Convolutional Generative Adversarial Network，即深度卷积对抗网络。该实验的主要目的是利用DCGAN来生成人脸图像。DCGAN是 Alec Radfor等人 [1]于2015年提出的一种模型，该模型基于GAN，并加入了卷积网络，以实现对图像的处理。 本实验以一批人脸图像为例，尽可能的用比较少的代码实现DCGAN。 [1]文章链接： https://arxiv.org/pdf/1511.06434.pdf 二、DCGAN原理 DCGAN的原理CSDN上已经有非常完善的介绍，这里只做简单介绍。 DCGAN可以看成是CNN+GAN，将卷积神经网络引入到GAN当中。DCGAN的贡献在论文中也有提及，主要包含以下四点： • We propose and evaluate a set of constraints on the architectural topology of Convolutional GANs that make them stable to train in most settings. We name this class of architectures Deep Convolutional GANs (DCGAN)（在卷积GAN的网络拓扑结构中设置一系列限制，使得其能够稳定的训练。）

版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/liuxiao214/article/details/73500737 </div> <link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/ck_htmledit_views-3019150162.css"> <div id="content_views" class="markdown_views prism-atom-one-dark"> <!-- flowchart 箭头图标 勿删 --> <svg xmlns="http://www.w3.org/2000/svg" style="display: none;"> <path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path> </svg> <p>论文原文：<a href="https://arxiv.org/pdf/1511.06434.pdf" rel="nofollow" data-token=

首先是各种参考博客、链接等，表示感谢。 1、参考博客1： 地址 ——以下，开始正文。 2017/12/12 更新 解决训练不收敛的问题。 更新在最后面部分。 1、DCGAN的简单总结 稳定的深度卷积GAN 架构指南: 所有的pooling层使用步幅卷积(判别网络)和微步幅度卷积(生成网络)进行替换。 在生成网络和判别网络上使用批处理规范化。 对于更深的架构移除全连接隐藏层。 在生成网络的所有层上使用RelU激活函数，除了输出层使用Tanh激活函数。 在判别网络的所有层上使用LeakyReLU激活函数。 图： LSUN 场景模型中使用的DCGAN生成网络。一个100维度的均匀分布z映射到一个有很多特征映射的小空间范围卷积。一连串的四个微步幅卷积（在最近的一些论文中它们错误地称为去卷积），将高层表征转换为64*64像素的图像。明显，没有使用全连接层和池化层。 2、DCGAN的实现 DCGAN原文 作者是生成了卧室图片，这里参照前面写的参考链接中，来生成动漫人物头像。生成效果如下： 暂且先不放，因为还没开始做。 2.1 搜集原始数据集 首先是需要获取大量的动漫图像，这个可以利用爬虫爬取一个 动漫网站：konachan.net 的图片。爬虫的代码如下所示： import requests # http lib from bs4 import BeautifulSoup # climb

GAN的全称为Generative Adversarial Networks，意为对抗生成网络。原始的GAN是一种无监督学习方法，它巧妙地利用“对抗”的思想来学习生成式模型，一旦训练完成后可以生成全新的数据样本。DCGAN将GAN的概念扩展到卷积神经网络中，可以生成质量较高的图片样本。GAN和DCGAN在各个领域都有广泛的应用，这篇文章首先会介绍他们的原理，再介绍如何在TensorFlow中使用DCGAN生成图像，关于GAN和DCGAN的更多项目会在接下来的章节中进行介绍。 GAN的原理 GAN的原理其实非常简单。可以把GAN看成数据生成工具，这里以生成图片数据为例进行讲解，实际GAN可以应用到任何类型的数据。 假设有两个网络，生成网络G（Generator）和判别网络D（Discriminator） 他们的功能分别是： G负责生成图片，它接收一个随机的噪声 z z //--> ，通过该噪声生成图片，将生成的图片记为 G ( z ) G ( z ) //--> 。 D负责判别一张图片是不是“真实的”。它的输入时 x x //--> ， x x //--> 代表一张图片，输出 D ( x ) D ( x ) //--> 表示 x x //--> 为真实图片的概率，如果为，代表真实图片的概率为%，而输出为，代表不可能是真实的图片。 在训练过程中

来源：https://blog.csdn.net/zhuiyuanzhongjia/article/details/79621813 1、显示RGB图像 相同点：这三个函数都是把m*n*3的矩阵中的数值当做RGB值来显示的。 区别：imshow将图像以原始尺寸显示，image和imagesc则会对图像进行适当的缩放（显示出来的尺寸大小）。 2、显示灰度图像 说明：先搞明白什么是索引图像？（灰度图像也是索引图像的一种） 当用Matlab中的imread函数将图像读入并存入矩阵时，我们知道如果是RGB图像，得到是m*n*3的矩阵，但如果是索引图像，得到就是m*n的矩阵，这个矩阵的每个元素只是1个数值，那么怎么确定它的RGB值来显示图像呢？这就需要colormap了，colormap是一个m*3的矩阵，每一行有3列元素构成RGB组，也就是一种颜色，一个m*3的colormap中有m中颜色，而索引图像存储的数值和colormap中的行号对应起来就可以像RGB那样显示图片了，至于对应方法，可以直接对应（比如1对应1,2对应2）也可以是线性映射对应（比如[-128,128]映射到[1,256]）。还有一点要说明的是，默认情况下每一个figure都有且仅有一个colormap,而且默认的是 jet(64)，可在figure窗口通过，edit->colormap...查看

tf.image.crop_and_resize( 　　image, 　　boxes, 　　box_ind, 　　crop_size, 　　method='bilinear', 　　extrapolation_value=0, 　　name=None ) 从输入图像张量中提取crop(裁剪)，并双线调整它们的大小(可能高宽比变化)，到由crop_size指定的通用输出大小。这比从输入图像中提取固定大小切片并且不允许调整大小或宽高比变化的crop_to_bounding_box操作更普遍。 从输入image中返回一个crops张量，位于boxes(参数2)的边界框位置出定义的位置。 裁剪后的框都是调整大小为固定size=[crop_height, crop_width]. 结果是一个四维张量[num_boxes, crop_height, crop_width, depth]. 调整大小是角对齐。如果boxex=[[0,0,1,1]], 该方法将为使用tf.image.resize_biliner()与align_corners=True提供相同的结果。 参数： image: 一个Tensor, 一个形状为[batch, image_height, image_width, depth]的四维张量，image_height和image_width需要为正值。 boxes:

原论文：Deep Learning for Image Super-resolution: A Survey 1.Pixel Loss： 用来度量生成图片和目标图片的像素级的差异 1.1 L1 loss 1.2 L2 loss 1.3 Charbonnier loss：L1 Loss的变体，最后参数是一个很小常量（e.g., 1e − 3），为了使数值稳定 像素损失是最常见的损失，通常L2损失能够对大的损失进行惩罚，但是在小的损失上无能为力，效果不如L1，像素损失实际上并没有考虑到图像质量(如感知质量，纹理)，经常缺乏高频细节，并且产生的纹理过于平滑，难以令人满意 2.Content Loss： 如果一个网络，生成的图像足够逼真，那么生成图片的特征（度量特征提取网络中提取的）也应该跟真实图片的足够像，因此通过使特征足够相似，对生成图片质量也有促进作用 l是网络第l层，常用的度量特征提取网络有vgg，resnet。 3.Texture Loss： 由于重建后的图像应该与目标图像具有相同的样式(例如，颜色、纹理、对比度)，将图像的纹理视为不同特征通道之间的相关性（用矩阵点乘来表示相关性） 最终损失函数是要求相关性相同： 好用是好用，但是需要通过经验（调参）来确定patch的大小，patch太小会造成纹理部分 artefacts（重影），太大会造成整个图片重影。

UiBot官方 开发者指南 >> 一、简介 1.什么是RPA？ Robotic Process Automation，中文翻译为机器人流程自动化，简称 RPA。 RPA是软件机器人，用来 完成计算机上重复的工作 。 2.UiBot是什么？ UiBot是一种RPA平台 3.RPA平台组成部分 1.开发工具：制作、运行、调试软件机器人 2.运行工具：普通用于运行已有流程，查阅结果。 3.控制中心：对多台PC上的机器人集中控制（分发流程、设定启动条件等） Creator把流程先上传到Commander，再由Commander统一下发给各个Worker，并统一指挥各个Worker执行流程 UiBot的三个组成部分 二、基本概念 流程 > 流程快 > 命令 > 属性 1.流程： UiBot流程是一连串的执行动作，以流程图的方式显示，包含一个文件夹。 2.流程图： 包含“开始”、“结束”、“流程块”和“判断”四种元素，用箭头连起来。 只能有一个“开始”元素，可以有多个“结束”元素，可以有多个“判断”元素，至少一个“流程块”。 一个流程分多个步骤，每个步骤用流程块来描述（冰箱打开 -> 装进大象 -> 关上冰箱）。 推荐把逻辑独立的封装成一个流程块，留个流程块最好不要超过20个，多个沟通起来困难。 3.可视化视图 命令：把一个步骤具体细化成命令去执行，如：模拟鼠标、键盘操作，对窗口、浏览器操作等

摘要：本文主要介绍了深度学习中的一些基础知识和CNN的相关内容。 1、关于目标函数的选取 目标函数用于衡量训练出来的模型的输出值和给定样本数据实际输出值的误差。目标函数会直接参与到误差的反向传播的计算当中，一个较好的目标函数会对各层的权重的调整起到更好的效果，所以选择好的目标函数尤为重要。下面列举出两种目标函数： 在上面两种比较常见的目标函数的对比中，我们可以清楚的看到， 交叉熵目标函数的图像更加陡峭，因此移动相同的步数，那么目标函数的变化也就更加明显，那么也就更有利于寻找最小值（最优值），最终确定相应的模型权重 。 2、关于全连接层Softmax Softmax是神经网络的最后一层，用于处理经过各个层计算后得到的最后结果。如下图： 在上面的图中，z代表经过各层计算得到的输出值，将z值带入上面的逻辑计算中，最后得到了的输出值有这样的特点： 将原来的输出结果映射到了0-1范围内，并且这些值相加为1 。 那么为什么要进行这样做呢？ 经过Softmax处理得到的输出值可以用在以交叉熵作为目标函数的情况中。 利用概率的形式进行处理，更加明确了各个输出值对精度的影响状况，进而更有利于对各层权重进行调整。 3、采用RELU激活函数，而不采用Sigmoid函数的原因 在梯度下降过程中，会对激活函数求导，Sigmoid函数求导之后的峰值为0.25，而且在调整权重的过程中w的绝对值一般都是小于1的