SRCNN代码解析_train.pdf

发布时间：2022-06-19 发布人：admin 分类：说明书资料大小：0.07M 资料格式：pdf 举报版权申诉

c9ea4f82-f013-4cb8-a9f0-3c7bbc0c1d1f.pdf-第1页.png

第1页 / 共3页

c9ea4f82-f013-4cb8-a9f0-3c7bbc0c1d1f.pdf-第2页.png

第2页 / 共3页

c9ea4f82-f013-4cb8-a9f0-3c7bbc0c1d1f.pdf-第3页.png

第3页 / 共3页

文本预览

SRCNN—train --srcnn = SRCNN() #初始化 ------参数初始化 ------build_model() #定义模型的输入输出，超参数，网络结构，loss，并实例化一个 Saver 对象 --train(self, config) ------input_setup(self.sess, config) #将输入和输出图片切成小块保存成 HDF5 文件 |--------prepare_data(sess, dataset="Train") #返回图片地址列表，sess 无用 ------------data_dir = os.path.join(os.getcwd(), dataset) #os.getcwd():得到当前文件路径 ------------data = glob.glob(os.path.join(data_dir, "*.bmp")) #图片路径列表 |--------for i in xrange(len(data)): #对于每张图片（每张图片大小不一致） ------------preprocess(data[i], config.scale) #预处理图片，返回（低，高）分辨率图像对 ----------image = imread(path, is_grayscale=True) #以 YCbCr 格式读取原始图像（默认为灰度） ----------label_ = modcrop(image, scale) #将图片规整到可以被 scale 整除的宽和高 ----------image = image / 255. #无用，可删掉 ----------label_ = label_ / 255. #归一化 ----------scipy.ndimage.interpolation.zoom(label_, (1./scale), prefilter=False) #进行三次插值缩小 scale 倍 ----------scipy.ndimage.interpolation.zoom(input_, (scale/1.), prefilter=False) #进行三次插值放大回原有大小

------------滑动窗口裁剪：将低分辨率图像和高分辨率图像分别裁剪成 33*33 和 21*21 的小图，步长 stride=6。 ------------重定义类型(reshape)后添加到输入和输出列表 |--------np.asarray() #将输入列表和输出列表中的数据转为 numpy 类型 |--------make_data(sess, arrdata, arrlabel) #制作 h5 文件，这个是产生训练数据的函数 ------------savepath = os.path.join(os.getcwd(), 'checkpoint/train.h5') #定义 h5 文件保存地址 ------------hf.create_dataset(name，data) #建立一个名为 name（字符串），数据为 data（numpy 数组）的数据集 ------train_data, train_label = read_data(data_dir) #获取 HDF5 格式数据集 ------tf.train.GradientDescentOptimizer(config.learning_rate).minimize(self.loss) #建立 SGD 优化器 ------tf.initialize_all_variables().run() #初始化所有参数 ------self.load(self.checkpoint_dir) #加载训练过的参数 |--------定义路径为：checkpoint_dir/srcnn_21 |--------ckpt=tf.train.get_checkpoint_state(checkpoint_dir) #从文件夹中获取 checkpoint 文件 |--------ckpt_name = os.path.basename(ckpt.model_checkpoint_path) #获取 checkpoint 文件的文件名 |--------saver.restore(…) #重载模型的参数，继续训练或者用于测试数据 ------for ep in xrange(config.epoch): #对于每次 epoch |--------batch_idxs #计算一个 epoch 有多少波 batch，放在循坏外不香吗 |--------for idx in xrange(0, batch_idxs): #对每波 batch ------------取 batch_size 对训练数据 ------------self.sess.run（[self.train_op, self.loss]） #运行数据流至 loss 操作，并使用优化器进行优化

------------print(…)#每更新 10 次输出一次数据 ------------self.save(config.checkpoint_dir, counter) #每更新 500 次保存一次数据 ----------self.saver.save() #向文件夹中写入包含当前模型中所有可训练变量的 checkpoint 文件，之后可以使用 saver.restore()方法，重载模型的参数，继续训练或者用于测试数据

分享到：

赞收藏

资料库

SRCNN代码解析_train.pdf

相关推荐

人工智能

热门标签

最新资料