Я действительно попытался проявить здесь должную осмотрительность, но я не могу найти много документации о том, почему выбраны определенные числа. Я также довольно не уверен в том, как свертки работают в генераторах (лучше разбираюсь в классификаторах), так что это не помогает моему делу. Я думаю, что мой вопрос должен быть довольно простым для некоторых опытных людей.
Возьмем, к примеру, учебник Google, класс Generator:
def make_generator_model():
model = tf.keras.Sequential()
model.add(layers.Dense(7*7*256, use_bias=False, input_shape=(100,)))
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())
model.add(layers.Reshape((7, 7, 256)))
assert model.output_shape == (None, 7, 7, 256) # Note: None is the batch size
model.add(layers.Conv2DTranspose(128, (5, 5), strides=(1, 1), padding='same', use_bias=False))
assert model.output_shape == (None, 7, 7, 128)
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())
model.add(layers.Conv2DTranspose(64, (5, 5), strides=(2, 2), padding='same', use_bias=False))
assert model.output_shape == (None, 14, 14, 64)
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())
model.add(layers.Conv2DTranspose(1, (5, 5), strides=(2, 2), padding='same', use_bias=False, activation='tanh'))
assert model.output_shape == (None, 28, 28, 1)
return model
Откуда 7x7x256? Я понимаю, что 7x7 кратно возможному размеру 28x28, так что это имеет некоторый смысл, но в чем суть 256? А затем в следующих слоях я замечаю узор, но я не уверен, как его переписать, чтобы он работал для совершенно другого размера изображения. Любая помощь или направление приветствуются. Спасибо!
РЕДАКТИРОВАТЬ: Благодаря полезному вводу я изменил свой ген на:
def make_generator_model():
model = tf.keras.Sequential()
model.add(layers.Dense(8*8*256, use_bias=False, input_shape=(100,)))
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())
model.add(layers.Reshape((8, 8, 256)))
assert model.output_shape == (None, 8, 8, 256) # Note: None is the batch size
model.add(layers.Conv2DTranspose(128, (5, 5), strides=(1, 1), padding='same', use_bias=False))
assert model.output_shape == (None, 8, 8, 128)
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())
model.add(layers.Conv2DTranspose(64, (5, 5), strides=(2, 2), padding='same', use_bias=False))
assert model.output_shape == (None, 16, 16, 64)
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())
model.add(layers.Conv2DTranspose(32, (5, 5), strides=(2, 2), padding='same', use_bias=False))
assert model.output_shape == (None, 32, 32, 32)
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())
model.add(layers.Conv2DTranspose(16, (5, 5), strides=(2, 2), padding='same', use_bias=False))
assert model.output_shape == (None, 64, 64, 16)
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())
model.add(layers.Conv2DTranspose(8, (5, 5), strides=(2, 2), padding='same', use_bias=False))
assert model.output_shape == (None, 128, 128, 8)
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())
model.add(layers.Conv2DTranspose(3, (5, 5), strides=(2, 2), padding='same', use_bias=False, activation='tanh'))
assert model.output_shape == (None, 256, 256, 3)
return model
и дискриминатор:
def make_discriminator_model():
model = tf.keras.Sequential()
model.add(layers.Conv2D(8, (5, 5), strides=(2, 2), padding='same',
input_shape=[IMAGE_DIM[0], IMAGE_DIM[1], IMAGE_DIM[2]]))
model.add(layers.LeakyReLU())
model.add(layers.Dropout(0.3))
print(model.output_shape)
model.add(layers.Conv2D(16, (5, 5), strides=(2, 2), padding='same'))
model.add(layers.LeakyReLU())
model.add(layers.Dropout(0.3))
print(model.output_shape)
model.add(layers.Conv2D(32, (5, 5), strides=(2, 2), padding='same'))
model.add(layers.LeakyReLU())
model.add(layers.Dropout(0.3))
print(model.output_shape)
model.add(layers.Conv2D(64, (5, 5), strides=(2, 2), padding='same'))
model.add(layers.LeakyReLU())
model.add(layers.Dropout(0.3))
print(model.output_shape)
model.add(layers.Conv2D(128, (5, 5), strides=(2, 2), padding='same'))
model.add(layers.LeakyReLU())
model.add(layers.Dropout(0.3))
print(model.output_shape)
model.add(layers.Conv2D(256, (5, 5), strides=(1, 1), padding='same'))
model.add(layers.LeakyReLU())
model.add(layers.Dropout(0.3))
print(model.output_shape)
model.add(layers.Flatten())
model.add(layers.Dense(1))
#16384 65536
return model