这是解码-卷积生成对抗性网络(DC-GAN)代码的一部分。
discriminator.trainable = False
ganInput = Input(shape=(100,))
# getting the output of the generator
# and then feeding it to the discriminator
# new model = D(G(input))
x = generator(ganInput)
ganOutput = discriminator(x)
gan = Model(input=ganInput, output=ganOutput)
g
在生成的对抗性网络中,我是如此的初学者,learning.My的目标是训练一个简单的gan,使用密集的层来生成时尚mnist的形象。我在网上尝试过许多代码,这些代码给每个人都提供了成功的输出,但在我的例子中,它们都产生了相同的输出,这是一个空白的白色图像,在特定区域经常有一些点。我也检查了激活函数,但它们似乎是fine.Also,提到我在google colab.Here中运行的代码是我的代码。
import numpy as np
import tensorflow as tf
from matplotlib import pyplot as plt
from tensorflow.kera
因此,我有一堆假的(模糊的)图像,我试图“纠正”,让它们看起来与真实的(而不是模糊的)图像难以区分。我有很多批次,我不知道当涉及到keras中的GANs时,您会如何进行交叉验证。 对于一个简单的神经网络,它是难以置信的简单,如文档中所示: model.fit(X, Y, validation_split=0.33, epochs=15, batch_size=100) 然而,我正在尝试为GAN做这件事,GAN似乎没有一个简单的方法…… 下面是我当前代码的一部分(这更像是伪代码),我想对其应用交叉验证: for batch in batches:
# generate images
i
我习惯在Keras设计我的GANs。但是,出于特定的需要,我想将我的代码修改为Tensorflow。大多数使用Tensorflow的GANs实现都使用一个类作为GAN,然后使用一个函数作为鉴别器和生成器。
它给出了这样的东西:
class MyGAN():
def __init__(self):
# various initialisation
def generator(self, n_examples):
### do some business and return n_examples generated.
retur