protexsmirnov

Вот структуры:

где channels == 3

def build_generator(self):

    # функция для создания блока CNN, увеличивающего размеры изображения
    def add_generator_block(x_block, filters):
        block = Conv2DTranspose(filters, filter_size, strides=2, padding='same')(x_block)
        block = BatchNormalization()(block)
        block = LeakyReLU(0.3)(block)
        return block

    start_filters = 16
    filter_size = [5, 5]
    latent_dim = 100
    # вход - это вектор шума
    inp = Input(shape=(latent_dim,))

    # проекция вектора шума в тензор с такой же размерностью,
    # как последний сверточный слой дискриминатора

    x = Dense(4 * 4 * (start_filters * 8), input_dim=latent_dim)(inp)
    x = BatchNormalization()(x)
    x = Reshape(target_shape=(4, 4, start_filters * 8))(x)

    # строим генератор для увеличения изображения в 4 раза
    x = add_generator_block(x, start_filters * 4)
    x = add_generator_block(x, start_filters * 2)
    x = add_generator_block(x, start_filters)
    x = add_generator_block(x, start_filters)

    # превращаем вывод в трехмерный тензор, изображение с 3 каналами
    x = Conv2D(self.channels, kernel_size=5, padding='same', activation='tanh')(x)
    model = Model(inputs=inp, outputs=x)
    print('generator')
    model.summary()
    return model

def build_discriminator(self):
    # функция создания блока CNN block для уменьшения размера изображения
    def add_discriminator_block(x_block, filters):
        block = Conv2D(filters, filter_size, padding='same')(x_block)
        block = BatchNormalization()(block)
        block = Conv2D(filters, filter_size, padding='same', strides=2)(block)
        block = BatchNormalization()(block)
        block = LeakyReLU(0.3)(block)
        return block

    start_filters = 16
    filter_size = [5, 5]

    #inp = Input(shape=(self.img_rows, self.img_cols, self.channels))
    inp = Input(shape=(64, 64, self.channels))

    # строим дискриминатор для уменьшения изображения
    x = add_discriminator_block(inp, start_filters)
    x = add_discriminator_block(x, start_filters * 2)
    x = add_discriminator_block(x, start_filters * 4)
    x = add_discriminator_block(x, start_filters * 8)

    # усреднение и возврат бинарного вывода
    x = GlobalAveragePooling2D()(x)
    x = Dense(1, activation='sigmoid')(x)

    model = Model(inputs=inp, outputs=x)
    print('discriminator')
    model.summary()
    return model

Спасибо. Я почему задался таким очевидным вопросом - дескриминатор и генератор в точности скопировал с заменой Deconvolution2D на Conv2DTranspose. И даже до 1000 эпохи генерируемые картинки получаются что - то около прикрепленной - первой. Хотя, если я просто полносвязные слои сделаю, то картинки получаются как на втором фото. Т.е. походу проблема в структуре сверточных дескриминатора/генератора. Можете помочь? спс

Добрый день. Замена Deconvolution2D на Conv2DTranspose ведь не должно повлиять на результат?