圖像超分辨重構的原理，輸入一張像素點少，像素較低的圖像， 輸出一張像素點多，像素較高的圖像

而在作者的文章中，作者使用downsample_up, 使用imresize(img, []) 將圖像的像素從原理的384，384降低到96， 96, 從而構造出高水平的圖像和低水平的圖像

作者使用了三個部分構成網絡，

第一部分是生成網絡，用于進行圖片的生成，使用了16層的殘差網絡，最后的輸出結果為tf.nn.tanh(),即為-1, 1, 因為圖像進行了-1,1的預處理

第二部分是判別網絡， 用于進行圖片的判別操作，對于判別網絡而言，是希望將生成的圖片判別為假，將真的圖片判別為真

第三部分是VGG19來提取生成圖片和真實圖片的conv5層卷積層的輸出結果，用于生成局部部位的損失值mse

損失值說明：

d_loss:

d_loss_1: tl.cost.sigmoid_cross_entropy(logits_real, tf.ones_like(logits_real))? # 真實圖像的判別結果的損失值

d_loss_2: tl.cost.sigmoid_cross_entrpopy(logits_fake, tf.zeros_like(logits_real)) # 生成圖像的判別結果的損失值

g_loss:

g_gan_loss: 1e-3 * tl.cost.sigmoid_cross_entropy(logits_fake, tf.ones_like(logits_real))? # 損失值表示為 -log(D(g(lr))) # 即生成的圖像被判別為真的損失值

mse_loss: tl.cost.mean_squared_error(net_g.outputs, t_target_image)? # 計算真實值與生成值之間的像素差

vgg_loss: tl.cost.mean_squared_error(vgg_predict_emb.outputs, vgg_target_emb.outputs) # 用于計算生成圖片和真實圖片經過vgg19的卷積層后，特征圖之間的差異，用來獲得特征細節的差異性

訓練說明：

首先進行100次迭代，用來優化生成網絡，使用tf.train.AdamOptimer(lr_v, beta1=beta1).minimize(mse_loss, var_list=g_var)

等生成網絡迭代好以后，開始迭代生成網絡和判別網絡，以及VGG19的損失值縮小

生成網絡：使用了16個殘差模塊，在殘差模塊的輸入與下一層的輸出之間又進行一次殘差直連

判別網絡：使用的是feature_map遞增的卷積層構造成的判別網路

代碼說明：

第一步：將參數從config中導入到main.py

第二步：使用tl.file.exists_or_mkdir() 構造用于儲存圖片的文件夾，同時定義checkpoint的文件夾

第三步：使用sorted(tl.files.load_file_list) 生成圖片的列表， 使用tl.vis.read_images() 進行圖片的讀入

第四步：構建模型的構架Model

第一步：定義輸入參數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 用來生成最終的生成網絡，net_g, 輸入參數為t_image, is_training, reuse

第三步： 使用SGRAN_d 用來生成判別網絡，輸出結果為net_d網絡架構，logits_real, 輸入參數為t_target_image, is_training, reuse, 同理輸入t_image, 獲得logits_fake

第四步： 使用net_g.print_params(False) 和 net_g.print_layers() 不打印參數，打印每一層

第五步：將net_g.outputs即生成的結果和t_target_image即目標圖像的結果輸入到Vgg_19_simple_api, 獲得vgg_net, 以及conv第五層的輸出結果

第一步：tf.image.resize_images()進行圖片的維度變換，為了可以使得其能輸入到VGG_19中

第二步：將變化了維度的t_target_image 輸入到Vgg_19_simple_api, 獲得net_vgg, 和 vgg_target_emb即第五層卷積的輸出結果

第三步：將變化了維度的net_g.outputs 輸入到Vgg_19_simple_api, 獲得 vgg_pred_emb即第五層卷積的輸出結果

第六步： 構造net_g_test = SGRAN_g(t_image, False, True) 用于進行訓練中的測試圖片

第五步：構造模型loss，還有trian_ops操作

第一步： loss的構造， d_loss 和 g_loss的構造

第一步： d_loss的構造， d_loss_1 + d_loss_2

第一步： d_loss_1: 構造真實圖片的判別損失值，即tl.cost.softmax_cross_entropy(logits_real, tf.ones_like(logits_real))

第二步： d_loss_2: 構造生成圖片的判別損失值， 即tl.cost.softmax_cross_entropy(logits_fake, tf.ones_like(logits_fake))

第二步： g_loss的構造，g_gan_loss, mse_loss, vgg_loss

第一步： g_gan_loss, 生成網絡被判別網絡判別為真的概率，使用tl.cost.softmax_cross_entropy(logits_fake, tf.ones_like(logits_fake))

第二步：mse_loss 生成圖像與目標圖像之間的像素點差值，使用tl.cost.mean_squared_error(t_target_image, net_g.outputs)

第三步：vgg_loss? 將vgg_target_emb.outputs與vgg_pred_emb.outputs獲得第五層卷積層輸出的mse_loss

第二步：構造train_op，包括 g_optim_init用預訓練, 構造g_optim, d_optim

第一步：g_var = tl.layers.get_variables_with_name(‘SGRAN_g') 生成網絡的參數獲得

第二步： d_var = tl.layers.get_variable_with_name('SGRAN_d') 判別網絡的參數獲得

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

第四步：定義train_op, g_optim_init, g_optim, d_optim

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

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

第三步：構造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() 載入訓練好的sess參數

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 進行g_net的參數下載， 否者就下載g_{}_init的參數下載

第四步：使用tf.file.load_and_assgin_npz進行d_net的參數下載

第七步：下載VGG網絡，將其運用到net_vgg

第一步：使用np.load(path, encoding='latin1').item() 下載參數

第二步：循環sorted(npz.items()) 進行參數循環，將其添加到params

第三步：使用tl.files.assign_params(sess, params, net_vgg) 將參數運用到net_vgg

第八步：進行參數的訓練操作

第一步：從圖片中跳出一個batch_size的數據構成測試集

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

第二步： 使用tl.prepro.threading_data fn = downsample 使用imresize進行圖片的維度壓縮

第二步：進行預訓練操作

第一步：循環迭代， 獲得一個batch的數據，使用crop_sub_imgs_fn 和 downsample構造低水平的數據和高水平的數據

第二步：使用sess.run， g_optim_init進行圖片的預訓練

第三步：進行訓練操作

第一步：循環迭代，獲得一個batch的數據，使用crop_sub_imgs_fn 和 downsample構造低水平的數據和高水平的數據

第二步：使用sess.run, g_optim 和 d_optim 進行圖片的訓練操作

第九步：進行evaluate圖片的測試階段

第一步： 構造圖片展示的文件夾，使用tf.files.exits_files_mkdir

第二步: 使用tl.files.load_file_list 和 tl.vis.read_images讀入圖片

第三步：根據索引選擇一張圖片，/127.5 - 1 進行歸一化處理

第四步：使用tf.placeholder('float32', [1, None, None, 3]) 構造輸入的t_image

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

第六步：使用tf.Session() 構造sess，使用tl.files.load_and_assign_npz下載訓練好的sess， network=net_g

第七步：使用sess.run([net_g.outputs], feed_dict={t_image:[valid_lr_img]}) 獲得圖片

第八步：使用tl.vis.save_images(outputs[0])保存圖片

第九步：使用scipy.misc.imresize() 將低像素的圖片擴大為原來的四倍，與重構的圖像作對比

代碼： main.py? 主函數

importtensorlayer as tlimporttensorflow as tfimportnumpy as npfrom config importconfigfrom model import *

importosimporttimeimportscipy## 添加參數

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))deftrain():#創建用于進行圖片儲存的文件

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)#構造輸入

t_image = tf.placeholder('float32', [batch_size, 96, 96, 3])

t_target_image= tf.placeholder('float32', [batch_size, 384, 384, 3])#構造生成的model，獲得生成model的輸出net_g

net_g =SRGAN_g(t_image, True, False)#構造判別網絡，判別net_g.output, t_target_image, net_d表示整個網絡

net_d, logist_real =SRGAN_d(t_target_image, True, False)

_, logist_fake=SRGAN_d(net_g.outputs, True, True)#構造VGG網絡

net_g.print_params(False)

net_g.print_layers()

net_d.print_params(False)

net_d.print_layers()#進行輸入數據的維度變換，將其轉換為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)#進行訓練階段的測試

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)) isFalse:

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 notos.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 insorted(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]#進行隨機裁剪，保證其維度為384

sample_imgs_384 = tl.prepro.threading_data(sample_imgs, fn=crop_sub_imgs_fn, is_random=False)#進行像素的降低

sample_imgs_96 = tl.prepro.threading_data(sample_imgs_384, fn=downsample_fn)#進行圖片的保存

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 inrange(n_epoch_init):

n_iter=0

init_loss_total=0for idx inrange(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_LOSSif (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, 0for idx inrange(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+=errGif 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']))defevaluate():

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 = 64valid_lr_img=valid_lr_imgs[imid]

valid_hr_img=valid_hr_imgs[imid]

valid_lr_img= (valid_lr_img / 127.5) - 1t_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__':importargparse

parse=argparse.ArgumentParser()

parse.add_argument('--mode', type=str, default='srgan', help='srgan evaluate')

args=parse.parse_args()

tl.global_flag['mode'] =args.modeif tl.global_flag['mode'] == 'srgan':

train()elif tl.global_flag['mode'] == 'evaluate':

evaluate()

model.py 構建模型

importtensorflow as tfimporttensorlayer as tlfrom tensorlayer.layers import *

importtimedefSRGAN_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=nfor 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')#進行反卷積操作

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')returnndef 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= 64with 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)returnnet_ho, logitsdefVgg_19_simple_api(input_image, reuse):

VGG_MEAN= [103.939, 116.779, 123.68]#將輸入的rgb圖像轉換為bgr

with tf.variable_scope('VGG19', reuse=reuse) as vs:

start_time=time.time()print('build the model')

input_image= input_image * 255red, 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')#構建網絡

"""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? 參數文件

from easydict importEasyDict as edictimportjson

config=edict()

config.TRAIN=edict()#Adam

config.TRAIN.batch_size = 1config.TRAIN.lr_init= 1e-4config.TRAIN.betal= 0.9

### initialize G

config.TRAIN.n_epoch_init = 100

### adversarial_leaning

config.TRAIN.n_epoch = 2000config.TRAIN.lr_decay= 0.1config.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)#進行 -1 - 1 的歸一化

x = x / 127.5 - 1

returnxdefdownsample_fn(img):

x= imresize(img, [96, 96], interp='bicubic', mode=None)#存在一定的問題

x = x / 127.5 - 1

return x

總結

以上是生活随笔為你收集整理的pythonb超分辨成像_深度原理与框架-图像超分辨重构-tensorlayer的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。