Encoder代码为:
class Encoder(nn.Module): #输入图片的大小isize、噪声的维度nz=、输入图片的通道nc=、ndf=、
def __init__(self,isize,nz,nc,ndf,ngpu,n_exter_layers=,add_final_conv=True):
super(Encoder,self).__init__()
self.ngpu=ngpu
# 必须为16倍数
assert isize % ==,"isize has to be a multiple of 16"
main=nn.Sequential()
# 图片的高宽缩小一倍
main.add\_module('initial-conv-{0}-{1}'.format(nc,ndf),nn.Conv2d(nc,ndf,,,,bias=False))
main.add\_module('initial-relu-{0}'.format(ndf),nn.LeakyReLU(0.2,inplace=True))
csize,cndf=isize/,ndf
for t in range(n\_exter\_layers): #在这里面特征宽高不变,通道数也不变
main.add\_module('extra-layers-{0}-{1}-conv'.format(t,cndf),nn.Conv2d(cndf,cndf,,,,bias=False))
main.add\_module('extra-layers-{0}-{1}-batchnorm'.format(t,cndf),nn.BatchNorm2d(cndf))
main.add\_module('extra-layers-{0}-{1}-relu'.format(t,cndf),nn.LeakyReLU(0.2,inplace=True))
# 在特征高宽仍大于4时,就添加缩小一倍高宽,通道增加一倍的卷积块
while csize>:
in\_feat = cndf
out\_feat = cndf \*
main.add\_module('pyramid-{0}-{1}-conv'.format(in\_feat, out\_feat),nn.Conv2d(in\_feat, out\_feat, , , , bias=False))
main.add\_module('pyramid-{0}-batchnorm'.format(out\_feat),nn.BatchNorm2d(out\_feat))
main.add\_module('pyramid-{0}-relu'.format(out\_feat),nn.LeakyReLU(0.2, inplace=True))
cndf = cndf \*
csize = csize /
# 最后一层卷积,将4\*4变为1\*,得到nz = 100的噪声
if add\_final\_conv:
main.add\_module('final-{0}-{1}-conv'.format(cndf, ),nn.Conv2d(cndf, nz, , , , bias=False))
self.main=main
def forward(self,input):
if self.ngpu>:
output=nn.parallel.data\_parallel(self.main,input,range(self.ngpu)) #在多个gpu上运行模型,并行计算
else:
output=self.main(input)
return output #如果输入的大小是3××,最后的输出是100××.
判别器为:
#定义判别器D (编码器)
class NetD(nn.Module):
def __init__(self, opt):
super(NetD, self).__init__()
# 第二个参数是1 因为判别器最后输出一个数
# 不过编码器在生成器里的时候
# 这个参数是100 因为它要把图片下采样成100××1的向量
model = Encoder(opt.isize, , opt.nc, opt.ndf, opt.ngpu, opt.extralayers)
layers = list(model.main.children())
'''layers的输出如下:
\[
Conv2d(, , kernel\_size=(, ), stride=(, ), padding=(, ), bias=False),
LeakyReLU(negative\_slope=0.2, inplace),
Conv2d(, , kernel\_size=(, ), stride=(, ), padding=(, ), bias=False),
BatchNorm2d(, eps=1e-, momentum=0.1, affine=True, track\_running\_stats=True),
LeakyReLU(negative\_slope=0.2, inplace),
Conv2d(, , kernel\_size=(, ), stride=(, ), padding=(, ), bias=False),
BatchNorm2d(, eps=1e-, momentum=0.1, affine=True, track\_running\_stats=True),
LeakyReLU(negative\_slope=0.2, inplace),
Conv2d(, , kernel\_size=(, ), stride=(, ), bias=False)\] 因为132行定义的nz参数是1,所以经过这层之后输出的大小是1××
'''
self.features = nn.Sequential(\*layers\[:-\])
# self.features的内容为除了最后一层的前8层
# nn.Sequential函数里面的参数一定是Module的子类,而list不是一个模块子类,所以不能当做参数
# 当然model.children()也一样不是一个模块子类,只有他们里面的值才是
# 这里的\*就起了作用,将list或者children的内容迭代地一个一个的传进去。
#生成一个分类器模块
self.classifier = nn.Sequential(layers\[-\])
#self.classifier的内容为Conv2d(, , kernel\_size=(, ), stride=(, ), bias=False)最后一层
#并在后面添加子模块sigmoid
self.classifier.add\_module('Sigmoid', nn.Sigmoid())
def forward(self, x):
features = self.features(x) #图片通过前8层之后的结果256××,前提是输入的图片的大小是32
features = features
classifier = self.classifier(features)#此时的结果是1××,值在\[,\],因为经过了sigmoid
classifier = classifier.view(-, ).squeeze()
#a=torch.ones(\[,,\]) 即a=tensor(\[\[\[ .\]\]\]) 再a.view(-,) 变成tensor(\[\[ .\]\]) 再加一个squeeze就是
# a.view(-,).squeeze() 结果是tensor(\[ .\]),squeeze里的值是0是1随意,只要去掉一个维度上的就可以
# 因此返回得到一个判别值classifier 和一个大小为256××4的特征值
return classifier, features
重点在:
这里可见同样的模型结构我们在Encoder.py中已经定义过一遍了,在判别其中实在不想再定义一遍,那我们就能够使用model.main.children()来获得模块中的子模块,然后将其转成列表形式,然后就能够根据想要的部分来进行处理了
手机扫一扫
移动阅读更方便
你可能感兴趣的文章