基于DCGAN的光伏面板故障检测（APP与数据集）

tensorflow框架的DCGAN程序

PyTorch项目模板由以下工具赞助； 请通过查看并注册免费试用来帮助支持我们 PyTorch项目模板 聪明地实施PyTorch项目。 PyTorch项目的可扩展模板，包括图像分割，对象分类，GAN和强化学习中的示例。 考虑到深度学习项目的性质，我们没有机会考虑项目结构或代码模块化。 在处理了不同的深度学习项目并面对文件组织和代码重复的问题之后，我们提出了一个模块化项目结构来容纳任何PyTorch项目。 我们还想为社区提供各种PyTorch模型的基础。 这是和之间的联合工作 目录： 为什么使用此模板？ 我们正在为任何PyTorch项目提出一个基准，以帮助您快速入门，在此您将有时间专注于

本代码基于Carpdm的DCGAN实现（[原代码地址](https://github.com/carpedm20/DCGAN-tensorflow)），添加如下改善： 1. 原代码中将测试生成数目与生成器噪声维度混用，本代码中将测试图片数目（原generate_test_images参数，改为num_test）与噪声维度参数（添加的input_noise_dim）分离； 2. 源代码使用step计数保存训练权重及sample，改为通过epoch并增加save_epochs参数； 3. 在优化器中添加学习率衰减tf.train.exponential_decay，衰减参数可自行调整，位于train方法开头； 4. 其他细节：在生成器中使用了lrelu，输入噪声改为正态分布等。 其他见readme.md

原始生成对抗网络Generative Adversarial Networks GAN包含生成器Generator和判别器Discriminator，数据有真实数据groundtruth，还有需要网络生成的“fake”数据，目的是网络生成的fake数据可以“骗过”判别器，让判别器认不出来，就是让判别器分不清进入的数据是真实数据还是fake数据。总的来说是：判别器区分真实数据和fake数据的能力越强越好；生成器生成的数据骗过判别器的能力越强越好，这个是矛盾的，所以只能交替训练网络。 需要搭建生成器网络和判别器网络，训练的时候交替训练。 首先训练判别器的参数，固定生成器的参数，让判别器判断生成器生

network.py 定义生成器和判别器 train.py 训练的文件 判别器是接受一张图片，然后抽丝剥茧的判别出一些特征，看看特征是不是我们想要的特征 生成器是从特征出发，可以通过特征生成一系列的图片，从随机数生成图片 Sequential() 是一个方法，可以给我们添加多层卷积层 model.add(tf.keras.layers.Conv2D()) model.add(tf.keras.layers.Activation("tanh")) 第二层卷积层 激活层 输入，激活层的输出作为池化层的输入，池化层的输出作为第二层卷积层Conv2D的输入

PokeGANS 依存关系 numpy pytorch visdom 使用方法： 使用toRGB.py将png图像处理为jpg exec run.py训练GAN 经过训练的模型保存在结果/ 创造自己的口袋妖怪玩得开心 培训程序演示 结果：

DCGAN

DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN人脸图片生成DCGAN

视觉系统实验室：在GPU上学习计算机视觉[自述文件未定期更新] 作者：Saikat Roy， 波恩大学CudaVision实验室（SS19）的存储库（主要）在PyTorch，Python3和Jupyter笔记本电脑上实现。 该项目从神经网络的基础开始，并延伸到更深层次的模型。 以下项目包含在相应的文件夹中： 项目1：Softmax回归（无autograd / Pytorch张量） 涉及使用softmax回归和手动梯度计算对MNIST数据集进行分类。 经过5次简单的迭代运行后，训练和测试集的准确度分别为0.8931和0.8866 。 项目2：多层神经网络 涉及在PyTorch上使用香草SGD进行简单的多层神经网络训练，并通过k倍蒙特卡洛交叉验证进行超参数（学习率和批量大小）搜索。 分类是在CIFAR-10数据集上完成的。 下面给出了在3072-128-128-10体系结构上进行50次