图像超分辨重构的原理,输入一张像素点少,像素较低的图像, 输出一张像素点多,像素较高的图像

而在作者的文章中,作者使用downsample_up, 使用imresize(img, []) 将图像的像素从原理的384,384降低到96, 96, 从而构造出高水平的图像和低水平的图像

作者使用了三个部分构成网络,

第一部分是生成网络,用于进行图片的生成,使用了16层的残差网络,最后的输出结果为tf.nn.tanh(),即为-1, 1, 因为图像进行了-1,1的预处理

第二部分是判别网络, 用于进行图片的判别操作,对于判别网络而言,是希望将生成的图片判别为假,将真的图片判别为真

第三部分是VGG19来提取生成图片和真实图片的conv5层卷积层的输出结果,用于生成局部部位的损失值mse

损失值说明:

d_loss:

d_loss_1: tl.cost.sigmoid_cross_entropy(logits_real, tf.ones_like(logits_real))  # 真实图像的判别结果的损失值

d_loss_2: tl.cost.sigmoid_cross_entrpopy(logits_fake, tf.zeros_like(logits_real)) # 生成图像的判别结果的损失值

g_loss:

g_gan_loss: 1e-3 * tl.cost.sigmoid_cross_entropy(logits_fake, tf.ones_like(logits_real))  # 损失值表示为 -log(D(g(lr))) # 即生成的图像被判别为真的损失值

mse_loss: tl.cost.mean_squared_error(net_g.outputs, t_target_image)  # 计算真实值与生成值之间的像素差

vgg_loss: tl.cost.mean_squared_error(vgg_predict_emb.outputs, vgg_target_emb.outputs) # 用于计算生成图片和真实图片经过vgg19的卷积层后,特征图之间的差异,用来获得特征细节的差异性

训练说明:

首先进行100次迭代,用来优化生成网络,使用tf.train.AdamOptimer(lr_v, beta1=beta1).minimize(mse_loss, var_list=g_var)

等生成网络迭代好以后,开始迭代生成网络和判别网络,以及VGG19的损失值缩小

生成网络:使用了16个残差模块,在残差模块的输入与下一层的输出之间又进行一次残差直连

判别网络:使用的是feature_map递增的卷积层构造成的判别网路

代码说明:

第一步:将参数从config中导入到main.py

第二步:使用tl.file.exists_or_mkdir() 构造用于储存图片的文件夹,同时定义checkpoint的文件夹

第三步:使用sorted(tl.files.load_file_list) 生成图片的列表, 使用tl.vis.read_images() 进行图片的读入

第四步:构建模型的构架Model

第一步:定义输入参数t_image = tf.placeholder('float32', [batch_size, 96, 96, 3]), t_target_image = tf.placeholder('float32', [batch_size, 384, 384, 3])

第二步: 使用SGRAN_g 用来生成最终的生成网络,net_g, 输入参数为t_image, is_training, reuse

第三步: 使用SGRAN_d 用来生成判别网络,输出结果为net_d网络架构,logits_real, 输入参数为t_target_image, is_training, reuse, 同理输入t_image, 获得logits_fake

第四步: 使用net_g.print_params(False) 和 net_g.print_layers() 不打印参数,打印每一层

第五步:将net_g.outputs即生成的结果和t_target_image即目标图像的结果输入到Vgg_19_simple_api, 获得vgg_net, 以及conv第五层的输出结果

第一步:tf.image.resize_images()进行图片的维度变换,为了可以使得其能输入到VGG_19中

第二步:将变化了维度的t_target_image 输入到Vgg_19_simple_api, 获得net_vgg, 和 vgg_target_emb即第五层卷积的输出结果

第三步:将变化了维度的net_g.outputs 输入到Vgg_19_simple_api, 获得 vgg_pred_emb即第五层卷积的输出结果

第六步: 构造net_g_test = SGRAN_g(t_image, False, True) 用于进行训练中的测试图片

第五步:构造模型loss,还有trian_ops操作

第一步: loss的构造, d_loss 和 g_loss的构造

第一步: d_loss的构造, d_loss_1 + d_loss_2

第一步: d_loss_1: 构造真实图片的判别损失值,即tl.cost.softmax_cross_entropy(logits_real, tf.ones_like(logits_real))

第二步: d_loss_2: 构造生成图片的判别损失值, 即tl.cost.softmax_cross_entropy(logits_fake, tf.ones_like(logits_fake))

第二步: g_loss的构造,g_gan_loss, mse_loss, vgg_loss

第一步: g_gan_loss, 生成网络被判别网络判别为真的概率,使用tl.cost.softmax_cross_entropy(logits_fake, tf.ones_like(logits_fake))

第二步:mse_loss 生成图像与目标图像之间的像素点差值,使用tl.cost.mean_squared_error(t_target_image, net_g.outputs)

第三步:vgg_loss  将vgg_target_emb.outputs与vgg_pred_emb.outputs获得第五层卷积层输出的mse_loss

第二步:构造train_op,包括 g_optim_init用预训练, 构造g_optim, d_optim

第一步:g_var = tl.layers.get_variables_with_name(‘SGRAN_g') 生成网络的参数获得

第二步: d_var = tl.layers.get_variable_with_name('SGRAN_d') 判别网络的参数获得

第三步: 使用with tf.variable_scope('learning_rate'): 使用lr_v = tf.Variable(lr_init)

第四步:定义train_op, g_optim_init, g_optim, d_optim

第一步:构造g_optim_init 使用tf.train.Adaoptimer(lr_v, beta1=betal).minimize(mse_loss, var_list=g_var)

第二步:构造g_optim 使用tf.train.Adaoptimer(lr_v, beta1=betal).minimize(g_loss, var_list=g_var)

第三步:构造d_optim 使用tf.train.Adaoptimer(lr_v, beta1=betal).minimize(d_loss, var_list=d_var)

第六步:使用tl.files.load_and_assign_npz() 载入训练好的sess参数

第一步: 使用tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=False))

第二步: tl.layers.initialize_global_variables(sess)

第三步: 使用tf.file.load_and_assign_npz 进行g_net的参数下载, 否者就下载g_{}_init的参数下载

第四步:使用tf.file.load_and_assgin_npz进行d_net的参数下载

第七步:下载VGG网络,将其运用到net_vgg

第一步:使用np.load(path, encoding='latin1').item() 下载参数

第二步:循环sorted(npz.items()) 进行参数循环,将其添加到params

第三步:使用tl.files.assign_params(sess, params, net_vgg) 将参数运用到net_vgg

第八步:进行参数的训练操作

第一步:从图片中跳出一个batch_size的数据构成测试集

第一步: 使用tl.prepro.threading_data fn = crop_sub_imgs_fn, 使用crop进行裁剪操作

第二步: 使用tl.prepro.threading_data fn = downsample 使用imresize进行图片的维度压缩

第二步:进行预训练操作

第一步:循环迭代, 获得一个batch的数据,使用crop_sub_imgs_fn 和 downsample构造低水平的数据和高水平的数据

第二步:使用sess.run, g_optim_init进行图片的预训练

第三步:进行训练操作

第一步:循环迭代,获得一个batch的数据,使用crop_sub_imgs_fn 和 downsample构造低水平的数据和高水平的数据

第二步:使用sess.run, g_optim 和 d_optim 进行图片的训练操作

第九步:进行evaluate图片的测试阶段

第一步: 构造图片展示的文件夹,使用tf.files.exits_files_mkdir

第二步: 使用tl.files.load_file_list 和 tl.vis.read_images读入图片

第三步:根据索引选择一张图片,/127.5 - 1 进行归一化处理

第四步:使用tf.placeholder('float32', [1, None, None, 3]) 构造输入的t_image

第五步: 使用SGRAN_g(t_image, False, False) 构造net_g

第六步:使用tf.Session() 构造sess,使用tl.files.load_and_assign_npz下载训练好的sess, network=net_g

第七步:使用sess.run([net_g.outputs], feed_dict={t_image:[valid_lr_img]}) 获得图片

第八步:使用tl.vis.save_images(outputs[0])保存图片

第九步:使用scipy.misc.imresize() 将低像素的图片扩大为原来的四倍,与重构的图像作对比

代码: main.py  主函数

import tensorlayer as tl
import tensorflow as tf
import numpy as np
from config import config
from model import *
import os
import time
import scipy ## 添加参数
batch_size = config.TRAIN.batch_size
lr_init = config.TRAIN.lr_init
betal = config.TRAIN.betal ### initialze G
n_epoch_init = config.TRAIN.n_epoch_init
### adversarial learning
n_epoch = config.TRAIN.n_epoch
lr_decay = config.TRAIN.lr_decay
decay_every = config.TRAIN.decay_every ni = int(np.sqrt(batch_size)) def train(): # 创建用于进行图片储存的文件
save_dir_ginit = 'sample/{}_ginit'.format(tl.global_flag['mode'])
save_dir_gan = 'sample/{}_gan'.format(tl.global_flag['mode'])
tl.files.exists_or_mkdir(save_dir_ginit)
tl.files.exists_or_mkdir(save_dir_gan)
checkpoint = 'checkpoint'
tl.files.exists_or_mkdir(checkpoint) train_hr_img_list = sorted(tl.files.load_file_list(path=config.TRAIN.hr_img_path, regx='.*.png', printable=False))
train_lr_img_list = sorted(tl.files.load_file_list(path=config.TRAIN.lr_img_path, regx='.*.png', printable=False)) train_hr_img = tl.vis.read_images(train_hr_img_list, path=config.TRAIN.hr_img_path, n_threads=8)
train_lr_img = tl.vis.read_images(train_lr_img_list, path=config.TRAIN.lr_img_path, n_threads=8) # 构造输入
t_image = tf.placeholder('float32', [batch_size, 96, 96, 3])
t_target_image = tf.placeholder('float32', [batch_size, 384, 384, 3])
# 构造生成的model,获得生成model的输出net_g
net_g = SRGAN_g(t_image, True, False)
# 构造判别网络,判别net_g.output, t_target_image, net_d表示整个网络
net_d, logist_real = SRGAN_d(t_target_image, True, False)
_, logist_fake = SRGAN_d(net_g.outputs, True, True)
# 构造VGG网络 net_g.print_params(False)
net_g.print_layers()
net_d.print_params(False)
net_d.print_layers() # 进行输入数据的维度变换,将其转换为224和224
target_image_224 = tf.image.resize_images(t_target_image, [224, 224], method=0, align_corners=False)
pred_image_224 = tf.image.resize_images(net_g.outputs, [224, 224], method=0, align_corners=False) net_vgg, vgg_target_emb = Vgg_19_simple_api((target_image_224 + 1) / 2, reuse=False)
_, vgg_pred_emb = Vgg_19_simple_api((net_g + 1) / 2, reuse=True)
# 进行训练阶段的测试
net_g_test = SRGAN_g(t_image, False, True) #### ========== DEFINE_TRAIN_OP =================###
d_loss_1 = tl.cost.sigmoid_cross_entropy(logist_real, tf.ones_like(logist_real))
d_loss_2 = tl.cost.sigmoid_cross_entropy(logist_fake, tf.zeros_like(logist_fake))
d_loss = d_loss_1 + d_loss_2 g_gan_loss = 1e-3 * tl.cost.sigmoid_cross_entropy(logist_fake, tf.ones_like(logist_fake))
mse_loss = tl.cost.mean_squared_error(net_g.outputs, t_target_image, is_mean=True)
vgg_loss = 2e-6 * tl.cost.mean_squared_error(vgg_target_emb.outputs, vgg_pred_emb.outputs, is_mean=True)
g_loss = g_gan_loss + mse_loss + vgg_loss g_var = tl.layers.get_variables_with_name('SRGAN_g', True, True)
d_var = tl.layers.get_variables_with_name('SRGAN_d', True, True) with tf.variable_scope('learning_rate'):
lr_v = tf.Variable(lr_init, trainable=False) g_optim_init = tf.train.AdamOptimizer(lr_v, beta1=betal).minimize(mse_loss, var_list=g_var)
g_optim = tf.train.AdamOptimizer(lr_v, beta1=betal).minimize(g_loss, var_list=g_var)
d_optim = tf.train.AdamOptimizer(lr_v, beta1=betal).minimize(d_loss, var_list=d_var) ###======================RESTORE_MODEL_SESS ==================###
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=False))
tl.layers.initialize_global_variables(sess)
if tl.files.load_and_assign_npz(sess, checkpoint + '/g_{}.npz'.format(tl.global_flag['mode'], network=net_g)) is False:
tl.files.load_and_assign_npz(sess, checkpoint + '/g_init_{}.npz'.format(tl.global_flag['mode'], network=net_g))
tl.files.load_and_assign_npz(sess, checkpoint + '/d_{}.npz'.format(tl.global_flag['mode'], network=net_d)) ### ================== load vgg params =================== ###
vgg_npy_path = 'vgg19.npy'
if not os.path.isfile(vgg_npy_path):
print('Please download vgg19.npz from : https://github.com/machrisaa/tensorflow-vgg')
exit() npz = np.load(vgg_npy_path, encoding='latin1').item()
params = []
for var in sorted(npz.items()):
W = np.asarray(var[1][0])
b = np.asarray(var[1][1])
params.extend([W, b]) tl.files.assign_params(sess, params, net_vgg) print('ok') ###======================== TRAIN =======================###
sample_imgs = train_hr_img[0:batch_size]
# 进行随机裁剪,保证其维度为384
sample_imgs_384 = tl.prepro.threading_data(sample_imgs, fn=crop_sub_imgs_fn, is_random=False)
# 进行像素的降低
sample_imgs_96 = tl.prepro.threading_data(sample_imgs_384, fn=downsample_fn)
# 进行图片的保存
tl.vis.save_images(sample_imgs_96, [ni, ni], save_dir_ginit + '/_train_sample_96.png')
tl.vis.save_images(sample_imgs_384, [ni, ni], save_dir_ginit + '/_train_sample_384.png')
tl.vis.save_images(sample_imgs_96, [ni, ni], save_dir_gan + '/_train_sample_96.png')
tl.vis.save_images(sample_imgs_384, [ni, ni], save_dir_gan + '/_train_sample_384.png') ###======================== initial train G =====================### for epoch in range(n_epoch_init): n_iter = 0
init_loss_total = 0 for idx in range(0, len(train_hr_img), batch_size): b_img_384 = tl.prepro.threading_data(train_hr_img[idx:idx+batch_size], fn=crop_sub_imgs_fn, is_random=False)
b_img_96 = tl.prepro.threading_data(b_img_384, fn=downsample_fn) _, MSE_LOSS = sess.run([g_optim_init, mse_loss], feed_dict={t_image:b_img_96, t_target_image:b_img_384}) init_loss_total += MSE_LOSS if (epoch != 0) and (epoch % 10 == 0):
out = sess.run(net_g_test.outputs, feed_dict={t_image:sample_imgs_96})
print('[*] save image')
tl.vis.save_images(out, [ni, ni], save_dir_ginit + '/train_%d.png' % epoch) if (epoch != 0) and (epoch % 10 ==0): tl.files.save_npz(net_g.all_params, name=checkpoint + '/g_init_{}.npz'.format(tl.global_flag['mode'])) ### ======================== train GAN ================== ### for epoch in range(0, n_epoch+1): if epoch != 0 and epoch % decay_every == 0:
new_lr = lr_decay ** (epoch // decay_every)
sess.run(tf.assign(lr_v, new_lr * lr_v))
log = '** new learning rate: %f(for GAN)' % (lr_init * new_lr)
print(log) elif epoch == 0:
sess.run(tf.assign(lr_v, lr_init))
log = '** init lr: %f decay_every_init: %d, lr_decay: %f(for GAN)'%(lr_init, decay_every, lr_decay)
print(log) epoch_time = time.time()
total_d_loss, total_g_loss, n_iter = 0, 0, 0 for idx in range(0, len(train_hr_img), batch_size): b_img_384 = tl.prepro.threading_data(train_hr_img[idx:idx+batch_size], fn=crop_sub_imgs_fn, is_random=False)
b_img_96 = tl.prepro.threading_data(b_img_384, fn=downsample_fn) _, errD = sess.run([d_optim, d_loss], feed_dict={t_image:b_img_96, t_target_image:b_img_384})
_, errG, errM, errV, errA = sess.run([g_optim, g_loss, mse_loss, vgg_loss, g_gan_loss], feed_dict={t_image:b_img_96, t_target_image:b_img_384}) total_d_loss += errD
total_g_loss += errG if epoch != 0 and epoch % 10 == 0:
out = sess.run(net_g_test.outputs, feed_dict={t_image:sample_imgs_96})
print('[*] save image')
tl.vis.save_images(out, [ni, ni], save_dir_gan + '/train_%d' % epoch) if epoch != 0 and epoch % 10 == 0: tl.files.save_npz(net_g.all_params, name = checkpoint + '/g_{}.npz'.format(tl.global_flag['mode']))
tl.files.save_npz(net_d.all_params, name= checkpoint + '/d_{}.npz'.format(tl.global_flag['mode'])) def evaluate(): save_dir = 'sample/{}'.format(tl.global_flag['mode'])
tl.files.exists_or_mkdir(save_dir)
checkpoints = 'checkpoints' evaluate_hr_img_list = sorted(tl.files.load_file_list(config.VALID.hr_img_path, regx='.*.png', printable=False))
evaluate_lr_img_list = sorted(tl.files.load_file_list(config.VALID.lr_img_path, regx='.*.png', printable=False)) valid_lr_imgs = tl.vis.read_images(evaluate_lr_img_list, path=config.VALID.lr_img_path, n_threads=8)
valid_hr_imgs = tl.vis.read_images(evaluate_hr_img_list, path=config.VALID.hr_img_path, n_threads=8) ### ==================== DEFINE MODEL =================###
imid = 64
valid_lr_img = valid_lr_imgs[imid]
valid_hr_img = valid_hr_imgs[imid] valid_lr_img = (valid_lr_img / 127.5) - 1 t_image = tf.placeholder('float32', [1, None, None, 3])
net_g = SGRAN_g(t_image, False, False) sess = tf.Session()
tl.files.load_and_assign_npz(sess, checkpoints + '/g_{}.npz'.format(tl.global_flag['mode']), network=net_g) output = sess.run([net_g.outputs], feed_dict={t_image:[valid_lr_img]}) tl.vis.save_images(output[0], [ni, ni], save_dir + '/valid_gen.png')
tl.vis.save_images(valid_lr_img, [ni, ni], save_dir + '/valid_lr.png')
tl.vis.save_images(valid_hr_img, [ni, ni], save_dir + '/valid_hr.png') size = valid_hr_img.shape
out_bicu = scipy.misc.imresize(valid_lr_img, [size[0]*4, size[1]*4], interp='bicubic', mode=None)
tl.vis.save_images(out_bicu, [ni, ni], save_dir + '/valid_out_bicu.png') if __name__ == '__main__':
import argparse
parse = argparse.ArgumentParser()
parse.add_argument('--mode', type=str, default='srgan', help='srgan evaluate')
args = parse.parse_args() tl.global_flag['mode'] = args.mode
if tl.global_flag['mode'] == 'srgan':
train() elif tl.global_flag['mode'] == 'evaluate':
evaluate()

model.py 构建模型

import tensorflow as tf
import tensorlayer as tl
from tensorlayer.layers import *
import time def SRGAN_g(input_image, is_train, reuse): w_init = tf.random_normal_initializer(stddev=0.2)
b_init = None
g_init = tf.random_normal_initializer(1, 0.02) with tf.variable_scope('SRGAN_g', reuse=reuse):
n = InputLayer(input_image, name='in')
n = Conv2d(n, 64, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', W_init=w_init, name='n64s1/c')
temp = n
for i in range(16):
nn = Conv2d(n, 64, (3, 3), (1, 1), act=None, padding='SAME', W_init=w_init, name='n64s1/c1/%d' % i)
nn = BatchNormLayer(nn, act=tf.nn.relu, is_train=is_train, gamma_init=g_init, name='n64s1/b1/%d' % i)
nn = Conv2d(nn, 64, (3, 3), (1, 1), act=None, padding='SAME', W_init=w_init, name='n64s1/c2/%d' % i)
nn = BatchNormLayer(nn, act=None, is_train=is_train, gamma_init=g_init, name='n64s1/b2/%d'%i)
nn = ElementwiseLayer([n, nn], tf.add, name='b_residual_add_%d' % i)
n = nn n = Conv2d(n, 64, (3, 3), (1, 1), act=None, padding='SAME', W_init=w_init, name='n64s1/c3')
n = BatchNormLayer(n, act=None, is_train=is_train, gamma_init=g_init, name='n64s1/b3')
n = ElementwiseLayer([temp, n], tf.add, name='add3') # 进行反卷积操作
n = Conv2d(n, 256, (3, 3), (1, 1), act=None, padding='SAME', W_init=w_init, name='n64s1/c4')
n = SubpixelConv2d(n, scale=2, n_out_channel=None, act=tf.nn.relu, name='pixelshuffler2/1') n = Conv2d(n, 256, (3, 3), (1, 1), act=None, padding='SAME', W_init=w_init, name='n64s1/c5')
n = SubpixelConv2d(n, scale=2, n_out_channel=None, act=tf.nn.relu, name='pixelshuffle2/2') n = Conv2d(n, 3, (1, 1), (1, 1), act=tf.nn.tanh, padding='SAME', W_init=w_init, name='out') return n def SRGAN_d(input_image, is_training=True, reuse=False): w_init = tf.random_normal_initializer(stddev=0.2)
b_init = None
g_init = tf.random_normal_initializer(1.0, stddev=0.02)
lrelu = lambda x: tl.act.lrelu(x, 0.2)
df_dim = 64
with tf.variable_scope('SRGAN_d', reuse=reuse):
tl.layers.set_name_reuse(reuse)
net_in = InputLayer(input_image, name='input/image')
net_h0 = Conv2d(net_in, df_dim, (4, 4), (2, 2), act=lrelu, padding='SAME', W_init=w_init, name='h0/c') net_h1 = Conv2d(net_h0, df_dim*2, (4, 4), (2, 2), act=None, padding='SAME', W_init=w_init, name='h1/c')
net_h1 = BatchNormLayer(net_h1, act=lrelu, is_train=is_training, gamma_init=g_init, name='h1/bn')
net_h2 = Conv2d(net_h1, df_dim*4, (4, 4), (2, 2), act=None, padding='SAME', W_init=w_init, name='h2/c')
net_h2 = BatchNormLayer(net_h2, act=lrelu, is_train=is_training, gamma_init=g_init, name='h2/bn')
net_h3 = Conv2d(net_h2, df_dim*8, (4, 4), (2, 2), act=None, padding='SAME', W_init=w_init, name='h3/c')
net_h3 = BatchNormLayer(net_h3, act=lrelu, is_train=is_training, gamma_init=g_init, name='h3/bn')
net_h4 = Conv2d(net_h3, df_dim*16, (4, 4), (2, 2), act=None, padding='SAME', W_init=w_init, name='h4/c')
net_h4 = BatchNormLayer(net_h4, act=lrelu, is_train=is_training, gamma_init=g_init, name='h4/bn')
net_h5 = Conv2d(net_h4, df_dim*32, (4, 4), (2, 2), act=None, padding='SAME', W_init=w_init, name='h5/c')
net_h5 = BatchNormLayer(net_h5, act=lrelu, is_train=is_training, gamma_init=g_init, name='h5/bn')
net_h6 = Conv2d(net_h5, df_dim*16, (1, 1), (1, 1), act=None, padding='SAME', W_init=w_init, name='h6/c')
net_h6 = BatchNormLayer(net_h6, act=lrelu, is_train=is_training, gamma_init=g_init, name='h6/bn')
net_h7 = Conv2d(net_h6, df_dim*8, (1, 1), (1, 1), act=None, padding='SAME', W_init=w_init, name='h7/c')
net_h7 = BatchNormLayer(net_h7, act=lrelu, is_train=is_training, gamma_init=g_init, name='h7/bn') net = Conv2d(net_h7, df_dim*2, (1, 1), (1, 1), act=None, padding='SAME', W_init=w_init, name='reg/c')
net = BatchNormLayer(net, act=lrelu, is_train=is_training, gamma_init=g_init, name='reg/bn')
net = Conv2d(net, df_dim*2, (3, 3), (1, 1), act=None, padding='SAME', W_init=w_init, name='reg/c2')
net = BatchNormLayer(net, act=lrelu, is_train=is_training, gamma_init=g_init, name='reg/bn2')
net = Conv2d(net, df_dim*8, (3, 3), (1, 1), act=None, padding='SAME', W_init=w_init, name='reg/c3')
net = BatchNormLayer(net, act=lrelu, is_train=is_training, gamma_init=g_init, name='reg/bn3') net_h8 = ElementwiseLayer([net_h7, net], tf.add, name='red/add')
net_h8.outputs = tl.act.lrelu(net_h8.outputs, 0.2) net_ho = FlattenLayer(net_h8, name='ho/flatten')
net_ho = DenseLayer(net_ho, n_units=1, act=tf.identity, W_init=w_init, name='ho/dense')
logits = net_ho.outputs
net_ho.outputs = tf.nn.sigmoid(net_ho.outputs) return net_ho, logits def Vgg_19_simple_api(input_image, reuse): VGG_MEAN = [103.939, 116.779, 123.68]
# 将输入的rgb图像转换为bgr
with tf.variable_scope('VGG19', reuse=reuse) as vs:
start_time = time.time()
print('build the model')
input_image = input_image * 255
red, green, blue = tf.split(input_image, 3, 3)
assert red.get_shape().as_list()[1:] == [224, 224, 1]
assert green.get_shape().as_list()[1:] == [224, 224, 1]
assert blue.get_shape().as_list()[1:] == [224, 224, 1] bgr = tf.concat([blue-VGG_MEAN[0], green-VGG_MEAN[1], red-VGG_MEAN[2]], axis=3)
assert input_image.get_shape().as_list()[1:] == [224, 224, 3] net_in = InputLayer(bgr, name='input')
# 构建网络
"""conv1"""
network = Conv2d(net_in, 64, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv1_1')
network = Conv2d(network, 64, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv1_2')
network = MaxPool2d(network, (2, 2), (2, 2), padding='SAME', name='pool1')
'''conv2'''
network = Conv2d(network, 128, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv2_1')
network = Conv2d(network, 128, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv2_2')
network = MaxPool2d(network, (2, 2), (2, 2), padding='SAME', name='pool2')
'''conv3'''
network = Conv2d(network, 256, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv3_1')
network = Conv2d(network, 256, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv3_2')
network = Conv2d(network, 256, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv3_3')
network = Conv2d(network, 256, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv3_4')
network = MaxPool2d(network, (2, 2), (2, 2), padding='SAME', name='pool3')
'''conv4'''
network = Conv2d(network, 512, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv4_1')
network = Conv2d(network, 512, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv4_2')
network = Conv2d(network, 512, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv4_3')
network = Conv2d(network, 512, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv4_4')
network = MaxPool2d(network, (2, 2), (2, 2), padding='SAME', name='pool4')
'''conv5'''
network = Conv2d(network, 512, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv5_1')
network = Conv2d(network, 512, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv5_2')
network = Conv2d(network, 512, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv5_3')
network = Conv2d(network, 512, (3, 3), (1, 1), act=tf.nn.relu, padding='SAME', name='conv5_4')
network = MaxPool2d(network, (2, 2), (2, 2), padding='SAME', name='pool5')
conv = network
"""fc6-8"""
network = FlattenLayer(network, name='flatten')
network = DenseLayer(network, n_units=4096, act=tf.nn.relu, name='fc6')
network = DenseLayer(network, n_units=4096, act=tf.nn.relu, name='fc7')
network = DenseLayer(network, n_units=1000, act=tf.identity, name='fc8')
print('finish the bulid %fs' % (time.time() - start_time))
return network, conv

config.py  参数文件

from easydict import EasyDict as edict
import json config = edict() config.TRAIN = edict() # Adam
config.TRAIN.batch_size = 1
config.TRAIN.lr_init = 1e-4
config.TRAIN.betal = 0.9 ### initialize G
config.TRAIN.n_epoch_init = 100 ### adversarial_leaning
config.TRAIN.n_epoch = 2000
config.TRAIN.lr_decay = 0.1
config.TRAIN.decay_every = int(config.TRAIN.n_epoch / 2) ## train set location
config.TRAIN.hr_img_path = r'C:\Users\qq302\Desktop\srdata\DIV2K_train_HR'
config.TRAIN.lr_img_path = r'C:\Users\qq302\Desktop\srdata\DIV2K_train_LR_bicubic\X4' # valid set location config.VALID = edict() config.VALID.hr_img_path = r'C:\Users\qq302\Desktop\srdata\DIV2K_valid_HR'
config.VALID.lr_img_path = r'C:\Users\qq302\Desktop\srdata\DIV2K_valid_LR_bicubic/X4'

utils.py  操作文件

from tensorlayer.prepro import *

def crop_sub_imgs_fn(img, is_random=True):

    x = crop(img, wrg=384, hrg=384, is_random=is_random)
# 进行 -1 - 1 的归一化
x = x / 127.5 - 1
return x def downsample_fn(img): x = imresize(img, [96, 96], interp='bicubic', mode=None)
# 存在一定的问题
x = x / 127.5 - 1
return x

深度原理与框架-图像超分辨重构-tensorlayer的更多相关文章

  1. 深度学习原理与框架-图像补全(原理与代码) 1.tf.nn.moments(求平均值和标准差) 2.tf.control_dependencies(先执行内部操作) 3.tf.cond(判别执行前或后函数) 4.tf.nn.atrous_conv2d 5.tf.nn.conv2d_transpose(反卷积) 7.tf.train.get_checkpoint_state(判断sess是否存在

    1. tf.nn.moments(x, axes=[0, 1, 2])  # 对前三个维度求平均值和标准差,结果为最后一个维度,即对每个feature_map求平均值和标准差 参数说明:x为输入的fe ...

  2. 图像超分辨-DBPN

    本文译自2018CVPR DeepBack-Projection Networks For Super-Resolution 代码: github 特点:不同于feedback net,引入back ...

  3. 人工智能范畴及深度学习主流框架,IBM Watson认知计算领域IntelligentBehavior介绍

    人工智能范畴及深度学习主流框架,IBM Watson认知计算领域IntelligentBehavior介绍 工业机器人,家用机器人这些只是人工智能的一个细分应用而已.图像识别,语音识别,推荐算法,NL ...

  4. 人工智能深度学习Caffe框架介绍,优秀的深度学习架构

    人工智能深度学习Caffe框架介绍,优秀的深度学习架构 在深度学习领域,Caffe框架是人们无法绕过的一座山.这不仅是因为它无论在结构.性能上,还是在代码质量上,都称得上一款十分出色的开源框架.更重要 ...

  5. 从Theano到Lasagne:基于Python的深度学习的框架和库

    从Theano到Lasagne:基于Python的深度学习的框架和库 摘要:最近,深度神经网络以“Deep Dreams”形式在网站中如雨后春笋般出现,或是像谷歌研究原创论文中描述的那样:Incept ...

  6. 人工智能范畴及深度学习主流框架,谷歌 TensorFlow,IBM Watson认知计算领域IntelligentBehavior介绍

    人工智能范畴及深度学习主流框架,谷歌 TensorFlow,IBM Watson认知计算领域IntelligentBehavior介绍 ================================ ...

  7. atitit.http get post的原理以及框架实现java php

    atitit.http get post的原理以及框架实现java php 1. 相关的设置 1 1.1. urlencode 1 1.2. 输出流的编码 1 1.3. 图片,文件的post 1 2. ...

  8. Dubbo原理与框架设计

    Dubbo是常用的开源服务治理型RPC框架,在之前osgi框架下不同bundle之间的方法调用时用到过.其工作原理和框架设计值得开源技术爱好者学习和研究. 一.Dubbo的工作原理 调用关系说明 服务 ...

  9. 深度学习Keras框架笔记之AutoEncoder类

    深度学习Keras框架笔记之AutoEncoder类使用笔记 keras.layers.core.AutoEncoder(encoder, decoder,output_reconstruction= ...

随机推荐

  1. 【java编程】java的关键字修饰符

    一.transient java语言的关键字,变量修饰符,如果用transient声明一个实例变量,当对象存储时,它的值不需要维持.换句话来说就是,用transient关键字标记的成员变量不参与序列化 ...

  2. one-hot编码

    1 get_dummies函数 有多少种不同类就会产生多少位的编码,生成的age_df 实际上是一个变量,其存储着dataframe数据类型 完全可按dataframe对其操作 age_df = pd ...

  3. 修复因为存储空间问题引起的nexus 服务启动异常

      故障描述 因为nexus所在服务器存储空间满了, 做了部分清理操作,结果nexus 启动异常,提示错误信息基本类似如下: build 285537d2767275f460df32c6a3be01b ...

  4. 关于UI自动化中元素定位常用方法的个人总结

    1.如果目标元素有id属性,优先使用id定位: 2.元素locator尽可能保证简洁,考虑locator中路径的变化频率,尽量减少后期更新和维护成本: 3.使用xpath时,不要一味的使用‘/’逐层进 ...

  5. Vue+Typescript项目中使用echarts

    方案一:推荐 在typescript+Vue的项目中引用echarts,为了加强引用,引入echarts和@types/echarts两个包,一个是工程依赖,一个是声明依赖. npm install ...

  6. 京东饭粒捡漏V1.13

    20180629 更新 V1.131.解决下单异常问题:2.增加秒杀价格:3.增加购买数量: 功能介绍1.京东商城专用,支持饭粒模式下单,自己获得京豆返利 2.捡漏模式:帮助用户监控抢购商品,有库存的 ...

  7. 华为PAY公交卡建议开卡免费!

    华为PAY公交卡,大家都知道是华为与当地交通卡通公司合作的,开卡费大概15-29元,最低充值10-30元. 估计大部分开卡费是给了当地交通卡公司,华为也应该有收入分成.这个虚拟公交卡,不同于实体公交卡 ...

  8. gerrit中mysql配置

    gerrit数据库使用mysql 进入gerrit数据库 mysql -ugerrit -p -h127.0.0.1 -P3307 密码为用户名加pass mysql> select * fro ...

  9. DOM事件类

    1.DOM中的事件级别 DOM0: element.onclick = function(){} DOM1: 没有与事件相关的设计 DOM2: element.addEventListener('cl ...

  10. SDWebImageRefreshCached

    来源: http://blog.csdn.net/jiadabin/article/details/52129789 来源: http://blog.csdn.net/jiadabin/article ...