Как сопоставить выходную форму генератора и входной формы дискриминатора в GAN? ⇐ Python

[Anonymous]

Я работаю над своей первой моделью Gans, я следил за официальной документацией Tensorflow, используя набор данных MNIST. Я запускаю это гладко. Я пытался заменить MNIST своим собственным набором данных, я подготовил его, чтобы соответствовать тому же размеру, что и MNIST: 28 * 28, он работает. Я не мог выяснить взаимосвязь между всеми этими входными и выходными формами дискриминатора и генератора. Предполагая, что я хочу изменить свой набор данных с 28 * 28 (размер Mnist) на Y * y (пользовательский размер), какой вход/выходные формы мне точно нужно настроить на эти слои? А почему? Кто-нибудь мог прояснить этот поток?train_images = train_images.reshape(train_images.shape[0], 28, 28, 1).astype('float32')
< /code>
И здесь я нормализую его: < /p>
train_images = (train_images - 127.5) / 127.5 # Normalize the images to [-1, 1]
< /code>
Это модель генератора, где форма вывода последнего слоя указывает что-то 28 * 28: < /p>
def make_generator_model():
model = tf.keras.Sequential()
model.add(layers.Dense(7*7*256, use_bias=False, input_shape=(100,)))
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())

model.add(layers.Reshape((7, 7, 256)))
assert model.output_shape == (None, 7, 7, 256) # Note: None is the batch size

model.add(layers.Conv2DTranspose(128, (5, 5), strides=(1, 1), padding='same', use_bias=False))
assert model.output_shape == (None, 7, 7, 128)
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())

model.add(layers.Conv2DTranspose(64, (5, 5), strides=(2, 2), padding='same', use_bias=False))
assert model.output_shape == (None, 14, 14, 64)
model.add(layers.BatchNormalization())
model.add(layers.LeakyReLU())

model.add(layers.Conv2DTranspose(1, (5, 5), strides=(2, 2), padding='same', use_bias=False, activation='tanh'))
assert model.output_shape == (None, 28, 28, 1)

return model
< /code>
Это модель дискриминатора, где ввод первого слоя указывает что-то 28 * 28: < /p>
def make_discriminator_model():
model = tf.keras.Sequential()
model.add(layers.Conv2D(64, (5, 5), strides=(2, 2), padding='same',
input_shape=[28, 28, 1]))
model.add(layers.LeakyReLU())
model.add(layers.Dropout(0.3))

model.add(layers.Conv2D(128, (5, 5), strides=(2, 2), padding='same'))
model.add(layers.LeakyReLU())
model.add(layers.Dropout(0.3))

model.add(layers.Flatten())
model.add(layers.Dense(1))

return model


Подробнее здесь: https://stackoverflow.com/questions/566 ... criminator