[Introduction à sinGAN-Tensorflow] J'ai joué avec la super-résolution "Challenge Big Imayuyu" ♬
Dans la continuité de la dernière fois, sinGAN a été réécrit par Tensorflow pour la référence suivante, et le code est facile à comprendre, donc SRGAN (je ne l'ai pas encore écrit. .) Et Last sinGAN J'ai joué avec "Challenge Big Imayuyu" qui a échoué. 【référence】 ① J'ai implémenté une partie de SinGAN ②ppooiiuuyh/SinGAN-tensorflow2.0 Cette fois, j'ai joué en essayant l'implémentation de Reference ①.
- La référence ② est compliquée car elle est, alors lisez-la lentement.
L'exemple de sortie de SR était le suivant. (Peut-être le même que la référence ci-dessus)
- Une image de super-résolution suffisamment agrandie a été obtenue.
| 1 | 2 |
|---|---|
 |
 |
Cet article commence par la figure suivante comparant l'exemple de sortie ci-dessus avec la sortie Pytorch d'origine. En d'autres termes, ils font le même processus, mais la précision obtenue semble être différente. Cela commence par le fait que cela est probablement dû aux différences d'hyperparamètres détaillées. Quoi qu'il en soit, je ne peux pas lire le code avec Pytorch, mais le code de cette référence est facile à lire et à modifier, donc ce n'est toujours pas suffisant, mais j'ai joué avec.
| Version Pytorch | Version Tensorflow |
|---|---|
 |
 |
Ce que j'ai fait
·environnement ・ Vérifiez les hyper paramètres ・ Essayez de sortir l'image de la couche intermédiaire ・ Défiez le grand Imayuyu
·environnement
Référence ci-dessus ① Téléchargez le fichier Zip depuis le site Github du site et extrayez-le. Installez les dépendances suivantes dans un environnement conda normal.
python -m pip install -r requirements.txt
Je pense que vous pouvez le faire ci-dessous. Cependant, comme l'emplacement de stockage de l'image d'entrée et le répertoire de stockage des résultats sont différents, modifiez-le en fonction de votre environnement.
(base) C:\Users\user\SinGAN_tf_impl-master>python main.py "SR" "Input/images/33039_LR.png "
・ Vérifiez les hyper paramètres
Le simple fait de déchiffrer quelles valeurs et comment les hyperparamètres des deux codes sont utilisés est strict avec Wan.
Cependant, cette fois, les deux codes sont résumés ci-dessous et sont relativement faciles à lire.
Ce n'est certainement pas tout, surtout à la fois dans SR.py etc.
parser.add_argument('--sr_factor', type=int, default=4)
A été redéfini.
Ainsi, l'hyper paramètre de la version Tensorflow est main.py, qui est défini comme suit.
[email protected]
import argparse
from train import *
#from SinGAN.train import *
if __name__ == "__main__":
parser = argparse.ArgumentParser()
parser.add_argument('mode')
parser.add_argument('input_image')
parser.add_argument('--save_dir', default='models')
#Network hyper parameter
parser.add_argument('--hidden_channels', type=int, default=32)
parser.add_argument('--k_size', type=int, default=3)
parser.add_argument('--n_layers', type=int, default=5)
#train settings
parser.add_argument('--n_iter', type=int, default=2000)
parser.add_argument('--lr_g', type=float, default=0.0005)
parser.add_argument('--lr_d', type=float, default=0.0005)
parser.add_argument('--beta1', type=float, default=0.5)
parser.add_argument('--g_times', type=int, default=3)
parser.add_argument('--d_times', type=int, default=3)
parser.add_argument('--gp_weight', type=float, default=0.1)
parser.add_argument('--alpha', type=float, default=10)
#data manipulation
parser.add_argument('--scale_factor', type=float, default=0.75)
parser.add_argument('--noise_weight', type=float, default=0.1)
parser.add_argument('--min_size', type=int, default=18)
#SR params
parser.add_argument('--sr_factor', type=int, default=4)
args = parser.parse_args()
if args.mode == 'SR':
train_SR(args)
D'autre part, la version Pytorch est définie dans config.py comme suit.
Alors
** Ici, il a été confirmé que tous les paramètres correspondent. ** **
cependant,
parser.add_argument('--scale_factor', type=float, default=0.75)
En fait, je ne comprends pas encore, mais dans la version Pytorch, il est possible que le nom du répertoire de résultats ait les paramètres suivants.
Exemple: scale_factor = 0.793701, alpha = 100
[email protected]
import argparse
def get_arguments():
parser = argparse.ArgumentParser()
#parser.add_argument('--mode', help='task to be done', default='train')
#workspace:
parser.add_argument('--not_cuda', action='store_true', help='disables cuda', default=0)
#load, input, save configurations:
parser.add_argument('--netG', default='', help="path to netG (to continue training)")
parser.add_argument('--netD', default='', help="path to netD (to continue training)")
parser.add_argument('--manualSeed', type=int, help='manual seed')
parser.add_argument('--nc_z',type=int,help='noise # channels',default=3)
parser.add_argument('--nc_im',type=int,help='image # channels',default=3)
parser.add_argument('--out',help='output folder',default='Output')
#networks hyper parameters:
parser.add_argument('--nfc', type=int, default=32)
parser.add_argument('--min_nfc', type=int, default=32)
parser.add_argument('--ker_size',type=int,help='kernel size',default=3)
parser.add_argument('--num_layer',type=int,help='number of layers',default=5)
parser.add_argument('--stride',help='stride',default=1)
parser.add_argument('--padd_size',type=int,help='net pad size',default=0)#math.floor(opt.ker_size/2)
#pyramid parameters:
parser.add_argument('--scale_factor',type=float,help='pyramid scale factor',default=0.75)#pow(0.5,1/6))
parser.add_argument('--noise_amp',type=float,help='addative noise cont weight',default=0.1)
parser.add_argument('--min_size',type=int,help='image minimal size at the coarser scale',default=25)
parser.add_argument('--max_size', type=int,help='image minimal size at the coarser scale', default=250)
#optimization hyper parameters:
parser.add_argument('--niter', type=int, default=2000, help='number of epochs to train per scale')
parser.add_argument('--gamma',type=float,help='scheduler gamma',default=0.1)
parser.add_argument('--lr_g', type=float, default=0.0005, help='learning rate, default=0.0005')
parser.add_argument('--lr_d', type=float, default=0.0005, help='learning rate, default=0.0005')
parser.add_argument('--beta1', type=float, default=0.5, help='beta1 for adam. default=0.5')
parser.add_argument('--Gsteps',type=int, help='Generator inner steps',default=3)
parser.add_argument('--Dsteps',type=int, help='Discriminator inner steps',default=3)
parser.add_argument('--lambda_grad',type=float, help='gradient penelty weight',default=0.1)
parser.add_argument('--alpha',type=float, help='reconstruction loss weight',default=10)
return parser
・ Essayez de sortir l'image de la couche intermédiaire
Ensuite, j'ai douté de la structure du modèle. Cela n'a pas été résolu non plus, mais comme la version de Tensorflow est facile à comprendre, j'ai apporté les modifications suivantes et je les ai sorties sur la sortie standard. De plus, la sortie avant et après modification est affichée.
- La partie spécifiée par Aucun est une valeur numérique. En termes de code, la partie concernée a été modifiée comme suit.
train.py
for i in range(n_blocks):
scale = math.pow(scale_factor, n_blocks-i-1)
cur_h, cur_w = int(h*scale), int(w*scale)
img = tf.image.resize(real_image, (cur_h, cur_w))
resolutions.append((cur_h, cur_w))
#inp = tf.keras.Input(shape=(None, None, 3))
#noise = tf.keras.Input(shape=(None, None, 3))
inp = tf.keras.Input(shape=(cur_h, cur_w, 3))
noise = tf.keras.Input(shape=(cur_h, cur_w, 3))
G = tf.keras.Model(inputs=[inp, noise], outputs=model.G_block(inp, noise, name='G_block_%d'%i, hidden_maps=args.hidden_channels, num_layers=args.n_layers))
D = tf.keras.Model(inputs=inp, outputs=model.D_block(inp, name='D_block_%d'%i, hidden_maps=args.hidden_channels, num_layers=args.n_layers))
lr_g = tf.Variable(args.lr_g, trainable=False)
lr_d = tf.Variable(args.lr_d, trainable=False)
opt_G = tf.keras.optimizers.Adam(lr_g, args.beta1)
opt_D = tf.keras.optimizers.Adam(lr_d, args.beta1)
G.summary()
D.summary()
Cela devrait déterminer si le réseau est le même que la version Pytorch. La version Pytorch a une certaine structure qui change un peu, mais elle change après un certain temps, et il semble que la logique soit un peu différente.
- Ceci est également juste une comparaison de sortie, mais cela n'a pas été confirmé dans la source. Donc, cette fois, j'ai essayé de sortir l'état de l'état intermédiaire d'apprentissage sous forme d'image. La suite du code ci-dessus a été modifiée comme suit.
train.py
if i > 0:
for (prev, cur) in zip(Gs[-1].layers, G.layers):
cur.set_weights(prev.get_weights())
for (prev, cur) in zip(Ds[-1].layers, D.layers):
cur.set_weights(prev.get_weights())
init_opt(opt_G, G)
init_opt(opt_D, D)
with tqdm(range(args.n_iter)) as bar:
bar.set_description('Block %d / %d'%(i+1, n_blocks))
for iteration in bar:
if i == 0:
prev_img = tf.zeros_like(img)
else:
prev_img = proc_image(tf.zeros([1, resolutions[0][0], resolutions[0][1], 3]), Gs, args.noise_weight, resolutions)
g_loss, d_loss = train_step(img, prev_img, args.noise_weight, G, D, opt_G, opt_D, args.g_times, args.d_times, args.alpha)
bar.set_postfix(ordered_dict=OrderedDict(
g_loss=g_loss.numpy(), d_loss=d_loss.numpy()
))
if iteration == int(args.n_iter*0.8):
lr_d.assign(args.lr_d*0.1)
lr_g.assign(args.lr_g*0.1)
Gs.append(G)
Ds.append(D)
G.save(os.path.join(save_dir, 'SR_G_%d_res_%dx%d.h5'%(i+1, cur_h, cur_w)))
D.save(os.path.join(save_dir, 'SR_D_%d_res_%dx%d.h5'%(i+1, cur_h, cur_w)))
scale_factor = math.pow(1/2, 1/3)
target_res = 4
scale = 1.0 / scale_factor
n, h, w, c = real_image.shape
t_h, t_w = h*target_res, w*target_res
iter_times = int(math.log(target_res, scale))
img = real_image
os.makedirs(os.path.join(save_dir, 'result'), exist_ok=True)
for j in range(1, iter_times+1, 1):
res = (int(h*math.pow(scale, j)), int(w*math.pow(scale, j)))
img = tf.image.resize(img, size=res)
img = G([img, tf.zeros_like(img)])
image = np.squeeze(img)
image = (np.clip(image, -1.0, 1.0) + 1.0) * 127.5
image = Image.fromarray(image.astype(np.uint8))
image.save(save_dir+'/result/'+str(i)+'_%dx%d.jpg'%res)
En d'autres termes, je l'ai changé pour que la dernière partie de sortie d'image soit un pas à l'intérieur et que l'image dans l'état intermédiaire soit sortie.
Vous pouvez donc obtenir le chiffre suivant.
En regardant cela, cet apprentissage occasionnel est comme indiqué dans la référence ③ ci-dessous.
"→ Patch-GAN hiérarchiques
Capturez des caractéristiques de différentes échelles tout en augmentant progressivement la résolution d'une image grossière
Définissez un petit champ de réception afin que l'image entière ne soit pas mémorisée. "
Tu peux voir ça.
【référence】
③ Commentaire sur l'article SinGAN
・ Défiez le grand Imayuyu
Alors, j'ai essayé de défier le grand Imayuyu. Voici les résultats. ⇒ La dernière fois, si vous l'avez trop développée, une ligne apparaîtrait, mais elle a l'air calme, et je pense que c'est un succès.
| Mayuyu | |
|---|---|
| 128 |
 |
| 161 |  |
| 203 |  |
| 255 |  |
| 322 |  |
| 406 |  |
| 511 |  |
| 645 |  |
| 812 |  |
| 1023 |  |
Résumé
・ J'ai essayé la version sinGAN-Tensorflow ・ J'ai essayé de produire l'image de l'apprentissage intermédiaire ・ J'ai obtenu un résultat relativement bon en "challenge big Imayuyu"
・ Je veux maîtriser un peu plus sinGAN
prime
La version modifiée de la version Tensorflow est la suivante
Model: "model"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_1 (InputLayer) [(None, 30, 20, 3)] 0
__________________________________________________________________________________________________
input_2 (InputLayer) [(None, 30, 20, 3)] 0
__________________________________________________________________________________________________
tf_op_layer_add (TensorFlowOpLa [(None, 30, 20, 3)] 0 input_1[0][0]
input_2[0][0]
__________________________________________________________________________________________________
conv_block_0_conv_0 (Conv2D) (None, 30, 20, 32) 896 tf_op_layer_add[0][0]
__________________________________________________________________________________________________
conv_block_0_BN_0 (BatchNormali (None, 30, 20, 32) 128 conv_block_0_conv_0[0][0]
__________________________________________________________________________________________________
leaky_re_lu (LeakyReLU) (None, 30, 20, 32) 0 conv_block_0_BN_0[0][0]
conv_block_1_BN_1[0][0]
conv_block_2_BN_2[0][0]
conv_block_3_BN_3[0][0]
__________________________________________________________________________________________________
conv_block_1_conv_1 (Conv2D) (None, 30, 20, 32) 9248 leaky_re_lu[0][0]
__________________________________________________________________________________________________
conv_block_1_BN_1 (BatchNormali (None, 30, 20, 32) 128 conv_block_1_conv_1[0][0]
__________________________________________________________________________________________________
conv_block_2_conv_2 (Conv2D) (None, 30, 20, 32) 9248 leaky_re_lu[1][0]
__________________________________________________________________________________________________
conv_block_2_BN_2 (BatchNormali (None, 30, 20, 32) 128 conv_block_2_conv_2[0][0]
__________________________________________________________________________________________________
conv_block_3_conv_3 (Conv2D) (None, 30, 20, 32) 9248 leaky_re_lu[2][0]
__________________________________________________________________________________________________
conv_block_3_BN_3 (BatchNormali (None, 30, 20, 32) 128 conv_block_3_conv_3[0][0]
__________________________________________________________________________________________________
conv_block_4_conv_4 (Conv2D) (None, 30, 20, 3) 867 leaky_re_lu[3][0]
__________________________________________________________________________________________________
tf_op_layer_Tanh (TensorFlowOpL [(None, 30, 20, 3)] 0 conv_block_4_conv_4[0][0]
__________________________________________________________________________________________________
tf_op_layer_add_1 (TensorFlowOp [(None, 30, 20, 3)] 0 tf_op_layer_Tanh[0][0]
input_1[0][0]
==================================================================================================
Total params: 30,019
Trainable params: 29,763
Non-trainable params: 256
__________________________________________________________________________________________________
Model: "model_1"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_1 (InputLayer) [(None, 30, 20, 3)] 0
__________________________________________________________________________________________________
conv_block_0_conv_0 (Conv2D) (None, 30, 20, 32) 896 input_1[0][0]
__________________________________________________________________________________________________
conv_block_0_BN_0 (BatchNormali (None, 30, 20, 32) 128 conv_block_0_conv_0[0][0]
__________________________________________________________________________________________________
leaky_re_lu (LeakyReLU) (None, 30, 20, 32) 0 conv_block_0_BN_0[0][0]
conv_block_1_BN_1[0][0]
conv_block_2_BN_2[0][0]
conv_block_3_BN_3[0][0]
__________________________________________________________________________________________________
conv_block_1_conv_1 (Conv2D) (None, 30, 20, 32) 9248 leaky_re_lu[4][0]
__________________________________________________________________________________________________
conv_block_1_BN_1 (BatchNormali (None, 30, 20, 32) 128 conv_block_1_conv_1[0][0]
__________________________________________________________________________________________________
conv_block_2_conv_2 (Conv2D) (None, 30, 20, 32) 9248 leaky_re_lu[5][0]
__________________________________________________________________________________________________
conv_block_2_BN_2 (BatchNormali (None, 30, 20, 32) 128 conv_block_2_conv_2[0][0]
__________________________________________________________________________________________________
conv_block_3_conv_3 (Conv2D) (None, 30, 20, 32) 9248 leaky_re_lu[6][0]
__________________________________________________________________________________________________
conv_block_3_BN_3 (BatchNormali (None, 30, 20, 32) 128 conv_block_3_conv_3[0][0]
__________________________________________________________________________________________________
conv_block_4_conv_4 (Conv2D) (None, 30, 20, 1) 289 leaky_re_lu[7][0]
==================================================================================================
Total params: 29,441
Trainable params: 29,185
Non-trainable params: 256
__________________________________________________________________________________________________
La version originale de Tensorflow est la suivante
Model: "model"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_1 (InputLayer) [(None, None, None, 0
__________________________________________________________________________________________________
input_2 (InputLayer) [(None, None, None, 0
__________________________________________________________________________________________________
tf_op_layer_add (TensorFlowOpLa [(None, None, None, 0 input_1[0][0]
input_2[0][0]
__________________________________________________________________________________________________
conv_block_0_conv_0 (Conv2D) (None, None, None, 3 896 tf_op_layer_add[0][0]
__________________________________________________________________________________________________
conv_block_0_BN_0 (BatchNormali (None, None, None, 3 128 conv_block_0_conv_0[0][0]
__________________________________________________________________________________________________
leaky_re_lu (LeakyReLU) (None, None, None, 3 0 conv_block_0_BN_0[0][0]
conv_block_1_BN_1[0][0]
conv_block_2_BN_2[0][0]
conv_block_3_BN_3[0][0]
__________________________________________________________________________________________________
conv_block_1_conv_1 (Conv2D) (None, None, None, 3 9248 leaky_re_lu[0][0]
__________________________________________________________________________________________________
conv_block_1_BN_1 (BatchNormali (None, None, None, 3 128 conv_block_1_conv_1[0][0]
__________________________________________________________________________________________________
conv_block_2_conv_2 (Conv2D) (None, None, None, 3 9248 leaky_re_lu[1][0]
__________________________________________________________________________________________________
conv_block_2_BN_2 (BatchNormali (None, None, None, 3 128 conv_block_2_conv_2[0][0]
__________________________________________________________________________________________________
conv_block_3_conv_3 (Conv2D) (None, None, None, 3 9248 leaky_re_lu[2][0]
__________________________________________________________________________________________________
conv_block_3_BN_3 (BatchNormali (None, None, None, 3 128 conv_block_3_conv_3[0][0]
__________________________________________________________________________________________________
conv_block_4_conv_4 (Conv2D) (None, None, None, 3 867 leaky_re_lu[3][0]
__________________________________________________________________________________________________
tf_op_layer_Tanh (TensorFlowOpL [(None, None, None, 0 conv_block_4_conv_4[0][0]
__________________________________________________________________________________________________
tf_op_layer_add_1 (TensorFlowOp [(None, None, None, 0 tf_op_layer_Tanh[0][0]
input_1[0][0]
==================================================================================================
Total params: 30,019
Trainable params: 29,763
Non-trainable params: 256
__________________________________________________________________________________________________
Model: "model_1"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_1 (InputLayer) [(None, None, None, 0
__________________________________________________________________________________________________
conv_block_0_conv_0 (Conv2D) (None, None, None, 3 896 input_1[0][0]
__________________________________________________________________________________________________
conv_block_0_BN_0 (BatchNormali (None, None, None, 3 128 conv_block_0_conv_0[0][0]
__________________________________________________________________________________________________
leaky_re_lu (LeakyReLU) (None, None, None, 3 0 conv_block_0_BN_0[0][0]
conv_block_1_BN_1[0][0]
conv_block_2_BN_2[0][0]
conv_block_3_BN_3[0][0]
__________________________________________________________________________________________________
conv_block_1_conv_1 (Conv2D) (None, None, None, 3 9248 leaky_re_lu[4][0]
__________________________________________________________________________________________________
conv_block_1_BN_1 (BatchNormali (None, None, None, 3 128 conv_block_1_conv_1[0][0]
__________________________________________________________________________________________________
conv_block_2_conv_2 (Conv2D) (None, None, None, 3 9248 leaky_re_lu[5][0]
__________________________________________________________________________________________________
conv_block_2_BN_2 (BatchNormali (None, None, None, 3 128 conv_block_2_conv_2[0][0]
__________________________________________________________________________________________________
conv_block_3_conv_3 (Conv2D) (None, None, None, 3 9248 leaky_re_lu[6][0]
__________________________________________________________________________________________________
conv_block_3_BN_3 (BatchNormali (None, None, None, 3 128 conv_block_3_conv_3[0][0]
__________________________________________________________________________________________________
conv_block_4_conv_4 (Conv2D) (None, None, None, 1 289 leaky_re_lu[7][0]
==================================================================================================
Total params: 29,441
Trainable params: 29,185
Non-trainable params: 256
__________________________________________________________________________________________________
Block 1 / 7: 100%|████████████████████████████████████████████████████████| 2000/2000 [01:32<00:00, 21.58it/s, g_loss=[0.9006956], d_loss=[-0.02634283]]
Bonus 2
En fait, la version Tensorflow du modèle a une taille de tenseur qui augmente à mesure que l'image d'entrée augmente, comme indiqué ci-dessous. Et chaque modèle a le même nombre de paramètres à mesure que la taille augmente.
(base) C:\Users\user\SinGAN_tf_impl-master>python main.py "SR" "Input/images/mayuyu128.jpg "
2019-12-30 23:23:33.694956: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
Model: "model"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_1 (InputLayer) [(None, 20, 20, 3)] 0
__________________________________________________________________________________________________
input_2 (InputLayer) [(None, 20, 20, 3)] 0
__________________________________________________________________________________________________
tf_op_layer_add (TensorFlowOpLa [(None, 20, 20, 3)] 0 input_1[0][0]
input_2[0][0]
__________________________________________________________________________________________________
conv_block_0_conv_0 (Conv2D) (None, 20, 20, 32) 896 tf_op_layer_add[0][0]
__________________________________________________________________________________________________
conv_block_0_BN_0 (BatchNormali (None, 20, 20, 32) 128 conv_block_0_conv_0[0][0]
__________________________________________________________________________________________________
leaky_re_lu (LeakyReLU) (None, 20, 20, 32) 0 conv_block_0_BN_0[0][0]
conv_block_1_BN_1[0][0]
conv_block_2_BN_2[0][0]
conv_block_3_BN_3[0][0]
__________________________________________________________________________________________________
conv_block_1_conv_1 (Conv2D) (None, 20, 20, 32) 9248 leaky_re_lu[0][0]
__________________________________________________________________________________________________
conv_block_1_BN_1 (BatchNormali (None, 20, 20, 32) 128 conv_block_1_conv_1[0][0]
__________________________________________________________________________________________________
conv_block_2_conv_2 (Conv2D) (None, 20, 20, 32) 9248 leaky_re_lu[1][0]
__________________________________________________________________________________________________
conv_block_2_BN_2 (BatchNormali (None, 20, 20, 32) 128 conv_block_2_conv_2[0][0]
__________________________________________________________________________________________________
conv_block_3_conv_3 (Conv2D) (None, 20, 20, 32) 9248 leaky_re_lu[2][0]
__________________________________________________________________________________________________
conv_block_3_BN_3 (BatchNormali (None, 20, 20, 32) 128 conv_block_3_conv_3[0][0]
__________________________________________________________________________________________________
conv_block_4_conv_4 (Conv2D) (None, 20, 20, 3) 867 leaky_re_lu[3][0]
__________________________________________________________________________________________________
tf_op_layer_Tanh (TensorFlowOpL [(None, 20, 20, 3)] 0 conv_block_4_conv_4[0][0]
__________________________________________________________________________________________________
tf_op_layer_add_1 (TensorFlowOp [(None, 20, 20, 3)] 0 tf_op_layer_Tanh[0][0]
input_1[0][0]
==================================================================================================
Total params: 30,019
Trainable params: 29,763
Non-trainable params: 256
__________________________________________________________________________________________________
Model: "model_1"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_1 (InputLayer) [(None, 20, 20, 3)] 0
__________________________________________________________________________________________________
conv_block_0_conv_0 (Conv2D) (None, 20, 20, 32) 896 input_1[0][0]
__________________________________________________________________________________________________
conv_block_0_BN_0 (BatchNormali (None, 20, 20, 32) 128 conv_block_0_conv_0[0][0]
__________________________________________________________________________________________________
leaky_re_lu (LeakyReLU) (None, 20, 20, 32) 0 conv_block_0_BN_0[0][0]
conv_block_1_BN_1[0][0]
conv_block_2_BN_2[0][0]
conv_block_3_BN_3[0][0]
__________________________________________________________________________________________________
conv_block_1_conv_1 (Conv2D) (None, 20, 20, 32) 9248 leaky_re_lu[4][0]
__________________________________________________________________________________________________
conv_block_1_BN_1 (BatchNormali (None, 20, 20, 32) 128 conv_block_1_conv_1[0][0]
__________________________________________________________________________________________________
conv_block_2_conv_2 (Conv2D) (None, 20, 20, 32) 9248 leaky_re_lu[5][0]
__________________________________________________________________________________________________
conv_block_2_BN_2 (BatchNormali (None, 20, 20, 32) 128 conv_block_2_conv_2[0][0]
__________________________________________________________________________________________________
conv_block_3_conv_3 (Conv2D) (None, 20, 20, 32) 9248 leaky_re_lu[6][0]
__________________________________________________________________________________________________
conv_block_3_BN_3 (BatchNormali (None, 20, 20, 32) 128 conv_block_3_conv_3[0][0]
__________________________________________________________________________________________________
conv_block_4_conv_4 (Conv2D) (None, 20, 20, 1) 289 leaky_re_lu[7][0]
==================================================================================================
Total params: 29,441
Trainable params: 29,185
Non-trainable params: 256
__________________________________________________________________________________________________
Block 1 / 9: 100%|███████████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [01:13<00:00, 27.10it/s, g_loss=[7.9145103], d_loss=[-0.0302126]]
Model: "model_2"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_3 (InputLayer) [(None, 25, 25, 3)] 0
__________________________________________________________________________________________________
input_4 (InputLayer) [(None, 25, 25, 3)] 0
__________________________________________________________________________________________________
tf_op_layer_add_2 (TensorFlowOp [(None, 25, 25, 3)] 0 input_3[0][0]
input_4[0][0]
__________________________________________________________________________________________________
conv_block_0_conv_0 (Conv2D) (None, 25, 25, 32) 896 tf_op_layer_add_2[0][0]
__________________________________________________________________________________________________
conv_block_0_BN_0 (BatchNormali (None, 25, 25, 32) 128 conv_block_0_conv_0[0][0]
__________________________________________________________________________________________________
leaky_re_lu (LeakyReLU) multiple 0 conv_block_0_BN_0[0][0]
conv_block_1_BN_1[0][0]
conv_block_2_BN_2[0][0]
conv_block_3_BN_3[0][0]
__________________________________________________________________________________________________
conv_block_1_conv_1 (Conv2D) (None, 25, 25, 32) 9248 leaky_re_lu[8][0]
__________________________________________________________________________________________________
conv_block_1_BN_1 (BatchNormali (None, 25, 25, 32) 128 conv_block_1_conv_1[0][0]
__________________________________________________________________________________________________
conv_block_2_conv_2 (Conv2D) (None, 25, 25, 32) 9248 leaky_re_lu[9][0]
__________________________________________________________________________________________________
conv_block_2_BN_2 (BatchNormali (None, 25, 25, 32) 128 conv_block_2_conv_2[0][0]
__________________________________________________________________________________________________
conv_block_3_conv_3 (Conv2D) (None, 25, 25, 32) 9248 leaky_re_lu[10][0]
__________________________________________________________________________________________________
conv_block_3_BN_3 (BatchNormali (None, 25, 25, 32) 128 conv_block_3_conv_3[0][0]
__________________________________________________________________________________________________
conv_block_4_conv_4 (Conv2D) (None, 25, 25, 3) 867 leaky_re_lu[11][0]
__________________________________________________________________________________________________
tf_op_layer_Tanh_1 (TensorFlowO [(None, 25, 25, 3)] 0 conv_block_4_conv_4[0][0]
__________________________________________________________________________________________________
tf_op_layer_add_3 (TensorFlowOp [(None, 25, 25, 3)] 0 tf_op_layer_Tanh_1[0][0]
input_3[0][0]
==================================================================================================
Total params: 30,019
Trainable params: 29,763
Non-trainable params: 256
__________________________________________________________________________________________________
Model: "model_3"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_3 (InputLayer) [(None, 25, 25, 3)] 0
__________________________________________________________________________________________________
conv_block_0_conv_0 (Conv2D) (None, 25, 25, 32) 896 input_3[0][0]
__________________________________________________________________________________________________
conv_block_0_BN_0 (BatchNormali (None, 25, 25, 32) 128 conv_block_0_conv_0[0][0]
__________________________________________________________________________________________________
leaky_re_lu (LeakyReLU) multiple 0 conv_block_0_BN_0[0][0]
conv_block_1_BN_1[0][0]
conv_block_2_BN_2[0][0]
conv_block_3_BN_3[0][0]
__________________________________________________________________________________________________
conv_block_1_conv_1 (Conv2D) (None, 25, 25, 32) 9248 leaky_re_lu[12][0]
__________________________________________________________________________________________________
conv_block_1_BN_1 (BatchNormali (None, 25, 25, 32) 128 conv_block_1_conv_1[0][0]
__________________________________________________________________________________________________
conv_block_2_conv_2 (Conv2D) (None, 25, 25, 32) 9248 leaky_re_lu[13][0]
__________________________________________________________________________________________________
conv_block_2_BN_2 (BatchNormali (None, 25, 25, 32) 128 conv_block_2_conv_2[0][0]
__________________________________________________________________________________________________
conv_block_3_conv_3 (Conv2D) (None, 25, 25, 32) 9248 leaky_re_lu[14][0]
__________________________________________________________________________________________________
conv_block_3_BN_3 (BatchNormali (None, 25, 25, 32) 128 conv_block_3_conv_3[0][0]
__________________________________________________________________________________________________
conv_block_4_conv_4 (Conv2D) (None, 25, 25, 1) 289 leaky_re_lu[15][0]
==================================================================================================
Total params: 29,441
Trainable params: 29,185
Non-trainable params: 256
__________________________________________________________________________________________________
Block 2 / 9: 100%|██████████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [01:42<00:00, 19.48it/s, g_loss=[0.7259917], d_loss=[-0.00471149]]
Model: "model_4"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_5 (InputLayer) [(None, 32, 32, 3)] 0
__________________________________________________________________________________________________
．．．
Model: "model_5"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_5 (InputLayer) [(None, 32, 32, 3)] 0
__________________________________________________________________________________________________
．．．
Block 3 / 9: 100%|█████████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [03:49<00:00, 8.71it/s, g_loss=[0.05491346], d_loss=[-0.00068739]]
Model: "model_6"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_7 (InputLayer) [(None, 40, 40, 3)] 0
__________________________________________________________________________________________________
．．．
Model: "model_7"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_7 (InputLayer) [(None, 40, 40, 3)] 0
__________________________________________________________________________________________________
．．．
Block 4 / 9: 100%|█████████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [05:04<00:00, 6.56it/s, g_loss=[0.13994163], d_loss=[-0.00033907]]
Model: "model_8"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_9 (InputLayer) [(None, 50, 50, 3)] 0
__________________________________________________________________________________________________
．．．
Model: "model_9"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_9 (InputLayer) [(None, 50, 50, 3)] 0
__________________________________________________________________________________________________
．．．
Block 5 / 9: 100%|██████████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [07:46<00:00, 4.29it/s, g_loss=[0.1438144], d_loss=[-0.00011725]]
Model: "model_10"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_11 (InputLayer) [(None, 64, 64, 3)] 0
__________________________________________________________________________________________________
．．．
Model: "model_11"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_11 (InputLayer) [(None, 64, 64, 3)] 0
__________________________________________________________________________________________________
．．．
Block 6 / 9: 100%|███████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [12:43<00:00, 2.62it/s, g_loss=[0.09378527], d_loss=[-7.251864e-05]]
Model: "model_12"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_13 (InputLayer) [(None, 80, 80, 3)] 0
__________________________________________________________________________________________________
．．．
Model: "model_13"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_13 (InputLayer) [(None, 80, 80, 3)] 0
__________________________________________________________________________________________________
．．．
Block 7 / 9: 100%|██████████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [19:51<00:00, 1.68it/s, g_loss=[0.1352475], d_loss=[-0.00010792]]
Model: "model_14"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_15 (InputLayer) [(None, 101, 101, 3) 0
__________________________________________________________________________________________________
．．．
Block 8 / 9: 100%|██████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [32:49<00:00, 1.02it/s, g_loss=[0.12389164], d_loss=[-2.1162363e-05]]
Model: "model_16"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_17 (InputLayer) [(None, 128, 128, 3) 0
__________________________________________________________________________________________________
．．．
Model: "model_17"
__________________________________________________________________________________________________
Layer (type) Output Shape Param # Connected to
==================================================================================================
input_17 (InputLayer) [(None, 128, 128, 3) 0
__________________________________________________________________________________________________
．．．
Block 9 / 9: 100%|███████████████████████████████████████████████████████████████████████████████████████████| 2000/2000 [50:12<00:00, 1.51s/it, g_loss=[0.13538168], d_loss=[2.7423768e-05]]
Recommended Posts