Как понять размеры при преобразовании модели генератора тензорного потока в pytorch - PullRequest
Новая
       135

Как понять размеры при преобразовании модели генератора тензорного потока в pytorch

0 голосов
/ 01 августа 2020 
def make_generator_model(n_classes=62):
    # Create class embedding channel
    input_label = tf.keras.layers.Input(shape=(1,))
    label_embedding = tf.keras.layers.Embedding(n_classes, 50)(input_label)
    upscaling = tf.keras.layers.Dense(7*7*1)(label_embedding)
    upscaling = tf.keras.layers.Reshape((7, 7, 1))(upscaling)

    # create seed encoding network
    seed_input = tf.keras.layers.Input(shape=(NOISE_DIM,))
    seed_fc = tf.keras.layers.Dense(7*7*256, use_bias=False)(seed_input)
    seed_fc = tf.keras.layers.BatchNormalization()(seed_fc)
    seed_fc = tf.keras.layers.LeakyReLU()(seed_fc)
    seed_fc = tf.keras.layers.Reshape((7, 7, 256))(seed_fc)

    # merge embedding with seed encoder
    merge = tf.keras.layers.Concatenate()([seed_fc, upscaling])
    assert tuple(merge.shape) == (None, 7, 7, 256+1)

    x = layers.Conv2DTranspose(128, (5, 5), strides=(1, 1), padding='same', use_bias=False)(merge)
    x = layers.BatchNormalization()(x)
    x = layers.LeakyReLU()(x)
    assert tuple(x.shape) == (None, 7, 7, 128)

    x = layers.Conv2DTranspose(64, (5, 5), strides=(2, 2), padding='same', use_bias=False)(x)
    x = layers.BatchNormalization()(x)
    x = layers.LeakyReLU()(x)
    assert tuple(x.shape) == (None, 14, 14, 64)

    # TODO tanh function with output between [-1, 1]
    output = layers.Conv2DTranspose(3, (5, 5), strides=(2, 2), padding='same', use_bias=False, activation='tanh')(x)
    model = tf.keras.Model([seed_input, input_label], output)
    assert model.output_shape == (None, 28, 28, 3)

    return model

При попытке преобразовать приведенный выше код в PyTorch я столкнулся с проблемой размерности. Не могу понять, как добавить этот код кортежа утверждения. Я пробовал использовать функцию view (), но она не принимает "None" в качестве измерения. Вот что я попробовал позже. Заменено 1 на none in view (), но затем это дало ошибку в дискриминаторе. 

class Generator(nn.Module):
    
    def __init__(self):
        super(Generator,self).__init__()
        #claas = label
        #noise == seed == data 
        self.linear_data = nn.Linear(100, 256, bias = False)
        self.BN_data  = nn.BatchNorm1d(256)
        
        self.label_embedding = nn.Embedding(62, 100)
        self.linear_label = nn.Linear(100, 1, bias = False)
        
        self.DCV1 = nn.ConvTranspose2d(257, 128, kernel_size =(4,4), stride = (2,2), padding = (1,1))
        self.BN1  = nn.BatchNorm2d(128)
        
        self.DCV2 = nn.ConvTranspose2d(128, 64, 4, 2, 1)
        self.BN2  = nn.BatchNorm2d(64)
        
        self.DCV3 = nn.ConvTranspose2d(64, 3, 4, 2, 1)
        
    def forward(self, inputs, labels):
        '''
        input size: (batch_size, 100, 1, 1)
        outputs size: (batch_size, 1, 32, 32)
        '''   
        # linear 1 for data
        x = self.linear_data(inputs)
        x = F.leaky_relu(x, negative_slope=0.2)
        x = self.BN_data(x)
        x = x.view(1,256,4,4)
        #x = x.view(None, 4,4,256)
        # linear 1 for label
        y = self.label_embedding(labels)
        #print(y.shape)
        
        y = self.linear_label(y)
        #print(y.shape)
        y = y.view(1,1,4,4)
        #x = x.view(None, 4,4,1)
        #print(y.shape)
        #concat data and label
        x = torch.cat((x, y), dim=1)
        x = x.view(1,257,4,4)
        #print(x.shape)
        #assert tuple(x.shape) == (1, 4, 4, 256+1)
        # Deconv 1
        x = self.DCV1(x)
        x = self.BN1(x)
        x = F.leaky_relu(x, 0.2)
        
        # Deconv 2
        x = self.DCV2(x)
        x = self.BN2(x)
        x = F.leaky_relu(x, 0.2)
        
        # Deconv 3 + output
        x = self.DCV3(x)
        outputs = torch.tanh(x)
        return outputs

Размер пакета составляет 16, а размер входного шума: 16,100 Размер входной метки: 16,1

...