知识卡片

延伸参考卡 · 9427.i · 生成模型:Tencent Hunyuan Hy

转置卷积与批量归一化

理解等级:高级

DCGAN 的实现依赖两个构件:转置卷积与批量归一化。卷积层执行下采样、压缩空间尺寸,转置卷积层则执行相反的上采样,把紧凑的噪声放大成完整图像。判别器用 conv2d(步长 2、same 填充)提取特征,生成器用 transpose_conv2d 把 4×4×256 张量依次放大为 8×8、16×16 直到 32×32;先 reshape 成 4×4 是因为 2×2 或 3×3 经三次上采样都到不了目标尺寸。批量归一化类似输入归一化:从激活输出减去批次均值再除以批次标准差,加快学习并稳定训练,普遍使用。生成器用 ReLU 与 tanh,判别器用泄漏 ReLU。参见[[深度卷积GAN架构]]。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 生成对抗网络 深度卷积 GAN · 查看原书依据

      如前所述,生成器通常与判别器对称。 DCGAN 中的判别器通过卷积层解释输入图像并生成数字输出。 因此,生成器需要使用转置的卷积层将数字噪声输入转换为图像,这与卷积层完全相反。 卷积层执行下采样,而转置卷积层执行上采样。

    参考来源

    - 位置:《Python深度学习架构实用指南(初译)》第07章《生成对抗网络》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/13.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:原文用卷积下采样与转置卷积上采样的对称关系解释生成器设计,并给出批量归一化做法,支撑 DCGAN 构件选择结论。 - 原始内容:如前所述,生成器通常与判别器对称。 DCGAN 中的判别器通过卷积层解释输入图像并生成数字输出。 因此,生成器需要使用转置的卷积层将数字噪声输入转换为图像,这与卷积层完全相反。 卷积层执行下采样,而转置卷积层执行上采样。