标签：pre put 文章 loss 获得 第一部分 image sample 残差网络
图像超分辨重构的原理，输入一张像素点少，像素较低的图像， 输出一张像素点多，像素较高的图像
而在作者的文章中，作者使用downsample_up, 使用imresize(img, []) 将图像的像素从原理的384，384降低到96， 96, 从而构造出高水平的图像和低水平的图像
作者使用了三个部分构成网络，
第一部分是生成网络，用于进行图片的生成，使用了16层的残差网络，最后的输出结果为tf.nn.tanh(),即为-1, 1, 因为图像进行了-1,1的预处理
第二部分是判别网络， 用于进行图片的判别操作，对于判别网络而言，是希望将生成的图片判别为假，将真的图片判别为真
第三部分是VGG19来提取生成图片和真实图片的conv5层卷积层的输出结果，用于生成局部部位的损失值mse
损失值说明：
d_loss:
d_loss_1: tl.cost.sigmoid_cross_entropy(logits_real, tf.ones_like(logits_real)) # 真实图像的判别结果的损失值
d_loss_2: tl.cost.sigmoid_cross_entrpopy(logits_fake, tf.zeros_like(logits_real)) # 生成图像的判别结果的损失值
g_loss:
g_gan_loss: 1e-3 * tl.cost.sigmoid_cross_entropy(logits_fake, tf.ones_like(logits_real)) # 损失值表示为 -log(D(g(lr))) # 即生成的图像被判别为真的损失值
mse_loss: tl.cost.mean_squared_error(net_g.outputs, t_target_image) # 计算真实值与生成值之间的像素差
vgg_loss: tl.cost.mean_squared_error(vgg_predict_emb.outputs, vgg_target_emb.outputs) # 用于计算生成图片和真实图片经过vgg19的卷积层后，特征图之间的差异，用来获得特征细节的差异性
训练说明：
标签：pre put 文章 loss 获得 第一部分 image sample 残差网络
原文地址：https://www.cnblogs.com/my-love-is-python/p/10660602.html
