标签：styles style noise latent self 源码 第五篇 GFPGAN out
2021SC@SDUSC
源码：archs\gfpganv1_clean_arch.py
本篇主要分析gfpganv1_clean_arch.py下的以下两个类
class StyleGAN2GeneratorCSFT (StyleGAN2GeneratorClean)：StyleGan
class ResBlock(nn.Module)：残差网络
目录
class StyleGAN2GeneratorCSFT (StyleGAN2GeneratorClean)：
（1） style codes -> latents with Style MLP layer
（4）get style latent with injection
class StyleGAN2GeneratorCSFT (StyleGAN2GeneratorClean)：
继承了StyleGAN2GeneratorClean类
_init_( )
def __init__(self, out_size, num_style_feat=512, num_mlp=8, channel_multiplier=2, narrow=1, sft_half=False):
super(StyleGAN2GeneratorCSFT, self).__init__(
out_size,
num_style_feat=num_style_feat,
num_mlp=num_mlp,
channel_multiplier=channel_multiplier,
narrow=narrow)
self.sft_half = sft_halfforward( )
参数：
(self,
styles,#(list[Tensor]): Sample codes of styles.
conditions,
input_is_latent=False,#(bool): Whether input is latent style.
noise=None,#(Tensor | None): Input noise or None.
randomize_noise=True,#(bool): Randomize noise, used when 'noise' is False.
truncation=1,
truncation_latent=None,
inject_index=None,#The injection index for mixing noise.
return_latents=False)# Whether to return style latents.（1） style codes -> latents with Style MLP layer
if not input_is_latent:
styles = [self.style_mlp(s) for s in styles]（2）noise
if noise is None:
if randomize_noise:
noise = [None] * self.num_layers # for each style conv layer
else: # use the stored noise
noise = [getattr(self.noises, f'noise{i}') for i in range(self.num_layers)]（3） style truncation
if truncation < 1:
style_truncation = []
for style in styles:
style_truncation.append(truncation_latent + truncation * (style -
truncation_latent))
styles = style_truncation（4）get style latent with injection
if len(styles) == 1:
inject_index = self.num_latent
if styles[0].ndim < 3:
# repeat latent code for all the layers
latent = styles[0].unsqueeze(1).repeat(1, inject_index, 1)
else: # used for encoder with different latent code for each layer
latent = styles[0]
elif len(styles) == 2: # mixing noises
if inject_index is None:
inject_index = random.randint(1, self.num_latent - 1)
latent1 = styles[0].unsqueeze(1).repeat(1, inject_index, 1)
latent2 = styles[1].unsqueeze(1).repeat(1, self.num_latent - inject_index, 1)
latent = torch.cat([latent1, latent2], 1)class ResBlock(nn.Module):
带有上/下采样的残差网络
Residual block with upsampling/downsampling
实际的一个单元（unit）即：con-relu-padding-con-relu
resNet本质上是为网络加了一个shortcut，相当于部分层数变成了一个直连接，从而防止出现升高神经网络层数反而效果变差的情况。所以需要让输入与输出的shape，channels都要保持一致。至于是否要退化部分网络，是由网络根据训练效果自身去选择的。
_init_( )
def __init__(self, in_channels, out_channels, mode='down'):
super(ResBlock, self).__init__()
#输入的通道数：in_channels
#输出的通道数：out_channels
#搭建卷积神经网络:卷积核[in_channels,3,3];步长为1；使用padding=1，边界增加一圈
#padding=1保持输出与输入大小保持一致
self.conv1 = nn.Conv2d(in_channels, in_channels, 3, 1, 1)
self.conv2 = nn.Conv2d(in_channels, out_channels, 3, 1, 1)
#卷积核[in_channels,1,1],bias=False不使用偏置（默认为True）
self.skip = nn.Conv2d(in_channels, out_channels, 1, bias=False)
#为上采样、下采样设置不同的scale_factor
if mode == 'down':
self.scale_factor = 0.5
elif mode == 'up':
self.scale_factor = 2forward( )
前向传播函数
def forward(self, x):
#使用relu函数做非线性变换
out = F.leaky_relu_(self.conv1(x), negative_slope=0.2)
# upsample/downsample：做上/下采样
out = F.interpolate(out, scale_factor=self.scale_factor, mode='bilinear', align_corners=False)
#再次使用relu函数对采样后的输出做非线性变换
out = F.leaky_relu_(self.conv2(out), negative_slope=0.2)
# skip，对传入的x进行处理
x = F.interpolate(x, scale_factor=self.scale_factor, mode='bilinear', align_corners=False)
skip = self.skip(x)
out = out + skip
return out标签：styles,style,noise,latent,self,源码,第五篇,GFPGAN,out 来源： https://blog.csdn.net/Vaifer233/article/details/121757834
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。