不同大小图像的TensorFlow教程DCGAN模型

和型号的TensorFlow DCGAN代码用于28x28像素黑白图像（MNIST数据集）

---

我想调整模型代码，使之适用于我自己的280x280 RGB图像数据集（280、280、3），但不清楚如何做到这一点。

您可以在教程中使用该代码。很好，您只需要稍微调整生成器。让我为你打破它。以下是教程中的生成器代码：

def make_generator_model（）：
model=tf.keras.Sequential（）
添加（layers.Dense（7*7*256，使用_bias=False，输入_shape=（100，））
model.add（layers.BatchNormalization（））
model.add（layers.LeakyReLU（））
model.add（层.重塑（（7,7,256）））
assert model.output_shape==（无，7，7，256）#注意：无是批量大小
add（layers.conv2dtranpse（128，（5，5），跨步=（1，1），padding='same'，use_bias=False））
断言model.output_shape==（无、7、7、128）
model.add（layers.BatchNormalization（））
model.add（layers.LeakyReLU（））
add（layers.conv2dtranpse（64，（5，5），跨步=（2，2），padding='same'，use_bias=False））
断言model.output_shape==（无、14、14、64）
model.add（layers.BatchNormalization（））
model.add（layers.LeakyReLU（））
add（layers.conv2dtranspase（1，（5，5），跨步=（2，2），padding='same'，use_bias=False，activation='tanh'））
断言model.output_shape==（无、28、28、1）
回归模型

生成器从先验分布（噪声）中采集100个样本，正如您从

输入形状中看到的那样。然后，它将数据投影到更大的维度7*7*256中，并对其进行重塑，使其具有形状（7,7,256）的特征映射。现在的想法是在模型结束时，我们希望将通道减少到1，并增加宽度和高度以达到原始图像大小。通道由过滤器的数量控制，这就是为什么它会减少每个连续的
conv2dtranpse
层。它从256变为128、64和1。对于宽度和高度，它们由
步幅
参数控制。这样一来，第一个
conv2dtransase
不会改变宽度和高度，因为它的跨步为1，但是第二个会乘以2，这会产生（14，14），最后一个
conv2dtransase
会产生（28，28）

对于您的情况，您有两个选项：增加第一个隐藏层（密集层）以将数据投影到（70*70*256），在最终的
conv2dtranpse
中，将过滤器更改为3，并保持所有内容不变，最终输出为（280、280、3）。这将如下所示：

def make_generator_model（）：
model=tf.keras.Sequential（）
model.add（layers.Dense（70*70*256，使用_bias=False，输入_shape=（100，））
model.add（layers.BatchNormalization（））
model.add（layers.LeakyReLU（））
model.add（层.重塑（（70,70,256）））
assert model.output_shape==（无，70，70，256）#注意：无是批量大小
add（layers.conv2dtranpse（128，（5，5），跨步=（1，1），padding='same'，use_bias=False））
断言model.output_shape==（无、70、70、128）
model.add（layers.BatchNormalization（））
model.add（layers.LeakyReLU（））
add（layers.conv2dtranpse（64，（5，5），跨步=（2，2），padding='same'，use_bias=False））
断言model.output_shape==（无、140、140、64）
model.add（layers.BatchNormalization（））
model.add（layers.LeakyReLU（））
add（layers.conv2dtranspase（3，（5，5），跨步=（2，2），padding='same'，use_bias=False，activation='tanh'））
断言model.output_shape==（无、280、280、3）
回归模型

我不推荐这种方法，因为您只需几步就可以应用非常大的预测。第二种方法是逐渐增加
conv2dtranpse
层的数量，直到达到正确的维度。例如，从（35*35*512）开始，添加一个额外的
conv2dtranpse
，步长等于（2，2），过滤器将从512、256、128、64、3获得

关于鉴别器，它可以正常工作，无需修改。但是，我会在鉴别器中添加更多的
Conv2D
，并使其更深，因为您的图像非常大。
对于彩色图像，我们是否仍要将通道减少到1，还是3？不，应该是我在代码中所述的3个通道。我在描述中提到了它，但忘记在代码中更改它。