JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 10. Генеративное глубокое обучение
415
Рис.
 10.12.
Схематическая иллюстрация внутренней топологии дискриминатора (блок A) и
генератора (блок Б) ACGAN. Для простоты 
некоторые нюансы (слои дропаута в
дискриминаторе) опущены. См. подробный код в
листингах 10.9 и
10.10

---

416
Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
Генератор сразу же применяет к объединенному латентному вектору 
h
плотный 
слой и приводит его к трехмерной форме 
[3,
3,
384]
. В результате этого измене­
ния формы получается напоминающий изображение тензор, который дальнейшие 
части генератора смогут преобразовать в изображение классической для MNIST 
формы (
[28,
28,
1]
).
Вместо привычных слоев conv2d для преобразования входного сигнала генератор 
использует слой conv2dTranspose для преобразования тензоров изображений. В об­
щих чертах, слой conv2dTranspose выполняет обратную слою conv2d операцию (ино­
гда называемую 
обратной сверткой
(deconvolution)). Высота и ширина выходного 
сигнала слоя conv2d обычно меньше, чем входного (за исключением редких случаев, 
когда 
kernelSize
= 
1
), как вы видели в сверточных сетях в главе 4. Высота и шири­
на же выходного сигнала слоя conv2dTranspose обычно больше, чем входного. Дру­
гими словами, если слой conv2d обычно 
уплотняет
измерения входного сигнала, 
то слой conv2dTranspose чаще всего 
расширяет
их. Именно поэтому в генераторе 
первый слой conv2dTranspose получает входной сигнал высотой 3 и шириной 3, а по­
следний слой conv2dTranspose выдает на выходе сигнал высотой 28 и шириной 28. 
Таким образом генератор преобразует входной латентный вектор и индекс цифры 
в изображение со стандартными для MNIST размерами. Код в следующем листинге 
взят из файла 
mnist-acgan/gan.js
; ради большей ясности кода мы убрали часть кода 
проверки ошибок.
Листинг 10.10.
Создание генератора ACGAN

---