通过DCGAN进行生成花朵

环境是你要安装Keras和Tensorflow

先来个network.py，里面定义了生成器网络和鉴别器网络：

 # -*- coding: UTF-8 -*-

 """

 DCGAN 深层卷积的生成对抗网络

 """

 import tensorflow as tf

 # Hyper parameter（超参数）

 EPOCHS = 100

 BATCH_SIZE = 128

 LEARNING_RATE = 0.0002

 BETA_1 = 0.5

 # 定义判别器模型

 def discriminator_model():

     model = tf.keras.models.Sequential()

     model.add(tf.keras.layers.Conv2D(

         64,  # 64 个过滤器，输出的深度（depth）是 64

         (5, 5),  # 过滤器在二维的大小是（5 * 5）

         padding='same',  # same 表示输出的大小不变，因此需要在外围补零2圈

         input_shape=(64, 64, 3)  # 输入形状 [64, 64, 3]。3 表示 RGB 三原色

     ))

     model.add(tf.keras.layers.Activation("tanh"))  # 添加 Tanh 激活层

     model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2)))  # 池化层

     model.add(tf.keras.layers.Conv2D(128, (5, 5)))

     model.add(tf.keras.layers.Activation("tanh"))

     model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2)))

     model.add(tf.keras.layers.Conv2D(128, (5, 5)))

     model.add(tf.keras.layers.Activation("tanh"))

     model.add(tf.keras.layers.MaxPool2D(pool_size=(2, 2)))

     model.add(tf.keras.layers.Flatten())  # 扁平化

     model.add(tf.keras.layers.Dense(1024))  # 1024 个神经元的全连接层

     model.add(tf.keras.layers.Activation("tanh"))

     model.add(tf.keras.layers.Dense(1))  # 1 个神经元的全连接层

     model.add(tf.keras.layers.Activation("sigmoid"))  # 添加 Sigmoid 激活层

     return model

 # 定义生成器模型

 # 从随机数来生成图片

 def generator_model():

     model = tf.keras.models.Sequential()

     # 输入的维度是 100, 输出维度（神经元个数）是1024 的全连接层

     model.add(tf.keras.layers.Dense(input_dim=100, units=1024))

     model.add(tf.keras.layers.Activation("tanh"))

     model.add(tf.keras.layers.Dense(128 * 8 * 8))  # 8192 个神经元的全连接层

     model.add(tf.keras.layers.BatchNormalization())  # 批标准化

     model.add(tf.keras.layers.Activation("tanh"))

     model.add(tf.keras.layers.Reshape((8, 8, 128), input_shape=(128 * 8 * 8, )))  # 8 x 8 像素

     model.add(tf.keras.layers.UpSampling2D(size=(2, 2)))  # 16 x 16像素

     model.add(tf.keras.layers.Conv2D(128, (5, 5), padding="same"))

     model.add(tf.keras.layers.Activation("tanh"))

     model.add(tf.keras.layers.UpSampling2D(size=(2, 2)))  # 32 x 32像素

     model.add(tf.keras.layers.Conv2D(128, (5, 5), padding="same"))

     model.add(tf.keras.layers.Activation("tanh"))

     model.add(tf.keras.layers.UpSampling2D(size=(2, 2)))  # 64 x 64像素

     model.add(tf.keras.layers.Conv2D(3, (5, 5), padding="same"))

     model.add(tf.keras.layers.Activation("tanh"))

     return model

 # 构造一个 Sequential 对象，包含一个 生成器 和一个 判别器

 # 输入 -> 生成器 -> 判别器 -> 输出

 def generator_containing_discriminator(generator, discriminator):

     model = tf.keras.models.Sequential()

     model.add(generator)

     discriminator.trainable = False  # 初始时 判别器 不可被训练

     model.add(discriminator)

     return model

接着我们写个训练模型的文件，train..py

 # -*- coding: UTF-8 -*-

 """

 训练 DCGAN

 """

 import os

 import glob

 import numpy as np

 from scipy import misc

 import tensorflow as tf

 from network import *

 def train():

     # 确保包含所有图片的 images 文件夹在所有 Python 文件的同级目录下

     # 当然了，你也可以自定义文件夹名和路径

     if not os.path.exists("images"):

         raise Exception("包含所有图片的 images 文件夹不在此目录下，请添加")

     # 获取训练数据

     data = []

     for image in glob.glob("images/*"):

         image_data = misc.imread(image)  # imread 利用 PIL 来读取图片数据

         data.append(image_data)

     input_data = np.array(data)

     # 将数据标准化成 [-1, 1] 的取值, 这也是 Tanh 激活函数的输出范围

     input_data = (input_data.astype(np.float32) - 127.5) / 127.5

     # 构造 生成器 和 判别器

     g = generator_model()

     d = discriminator_model()

     # 构建 生成器 和 判别器 组成的网络模型

     d_on_g = generator_containing_discriminator(g, d)

     # 优化器用 Adam Optimizer

     g_optimizer = tf.keras.optimizers.Adam(lr=LEARNING_RATE, beta_1=BETA_1)

     d_optimizer = tf.keras.optimizers.Adam(lr=LEARNING_RATE, beta_1=BETA_1)

     # 配置 生成器 和 判别器

     g.compile(loss="binary_crossentropy", optimizer=g_optimizer)

     d_on_g.compile(loss="binary_crossentropy", optimizer=g_optimizer)

     d.trainable = True

     d.compile(loss="binary_crossentropy", optimizer=d_optimizer)

     # 开始训练

     for epoch in range(EPOCHS):

         for index in range(int(input_data.shape[0] / BATCH_SIZE)):

             input_batch = input_data[index * BATCH_SIZE : (index + 1) * BATCH_SIZE]

             # 连续型均匀分布的随机数据（噪声）

             random_data = np.random.uniform(-1, 1, size=(BATCH_SIZE, 100))

             # 生成器 生成的图片数据

             generated_images = g.predict(random_data, verbose=0)

             input_batch = np.concatenate((input_batch, generated_images))

             output_batch = [1] * BATCH_SIZE + [0] * BATCH_SIZE

             # 训练 判别器，让它具备识别不合格生成图片的能力

             d_loss = d.train_on_batch(input_batch, output_batch)

             # 当训练 生成器 时，让 判别器 不可被训练

             d.trainable = False

             # 重新生成随机数据。很关键

             random_data = np.random.uniform(-1, 1, size=(BATCH_SIZE, 100))

             # 训练 生成器，并通过不可被训练的 判别器 去判别

             g_loss = d_on_g.train_on_batch(random_data, [1] * BATCH_SIZE)

             # 恢复 判别器 可被训练

             d.trainable = True

             # 打印损失

             print("Epoch {}, 第 {} 步, 生成器的损失: {:.3f}, 判别器的损失: {:.3f}".format(epoch, index, g_loss, d_loss))

         # 保存 生成器 和 判别器 的参数

         # 大家也可以设置保存时名称不同（比如后接 epoch 的数字），参数文件就不会被覆盖了

         if epoch % 1 == 0:

             g.save_weights("./generator_weight.h5", True)

             d.save_weights("./discriminator_weight", True)

 if __name__ == "__main__":

     train()

运行这个文件，就可以产生生成器网络的权重文件 generator_weight.h5, 这里我选择每个训练epoch都保存一次权重文件。你可以按你的喜好来。

　　训练好了之后，那么我们就可以用generate.py文件，从随机数据生成好看的花朵了。

 # -*- coding: UTF-8 -*-

 """

 用 DCGAN 的生成器模型 和 训练得到的生成器参数文件 来生成图片

 """

 import numpy as np

 from PIL import Image

 import tensorflow as tf

 from network import *

 def generate():

     # 构造生成器

     g = generator_model()

     # 配置 生成器

     g.compile(loss="binary_crossentropy", optimizer=tf.keras.optimizers.Adam(lr=LEARNING_RATE, beta_1=BETA_1))

     # 加载训练好的 生成器 参数

     g.load_weights("generator_weight.h5")

     # 连续型均匀分布的随机数据（噪声）

     random_data = np.random.uniform(-1, 1, size=(BATCH_SIZE, 100))

     # 用随机数据作为输入，生成器 生成图片数据

     images = g.predict(random_data, verbose=1)

     # 用生成的图片数据生成 PNG 图片

     for i in range(BATCH_SIZE):

         image = images[i] * 127.5 + 127.5

         Image.fromarray(image.astype(np.uint8)).save("./generated_image/image-%s.png" % i)

 if __name__ == "__main__":

     generate()

附注1：一些训练过程

C:\ProgramData\Anaconda3\python.exe D:/threeTFproject/Case2_AI_Photoshop/train.py

C:\ProgramData\Anaconda3\lib\site-packages\h5py\__init__.py:36: FutureWarning: Conversion of the second argument of issubdtype from `float` to `np.floating` is deprecated. In future, it will be treated as `np.float64 == np.dtype(float).type`.

  from ._conv import register_converters as _register_converters

2018-11-01 09:29:35.205667: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2

Epoch 0, 第 0 步, 生成器的损失: 0.169, 判别器的损失: 0.732

Epoch 0, 第 1 步, 生成器的损失: 0.258, 判别器的损失: 0.577

Epoch 0, 第 2 步, 生成器的损失: 0.680, 判别器的损失: 0.534

Epoch 0, 第 3 步, 生成器的损失: 1.493, 判别器的损失: 0.451

Epoch 0, 第 4 步, 生成器的损失: 1.484, 判别器的损失: 0.513

Epoch 0, 第 5 步, 生成器的损失: 2.465, 判别器的损失: 0.350

Epoch 0, 第 6 步, 生成器的损失: 4.008, 判别器的损失: 0.313

Epoch 0, 第 7 步, 生成器的损失: 2.139, 判别器的损失: 0.494

Epoch 0, 第 8 步, 生成器的损失: 2.939, 判别器的损失: 0.501

Epoch 0, 第 9 步, 生成器的损失: 3.805, 判别器的损失: 0.415

Epoch 0, 第 10 步, 生成器的损失: 3.413, 判别器的损失: 0.590

Epoch 0, 第 11 步, 生成器的损失: 2.520, 判别器的损失: 0.486

Epoch 0, 第 12 步, 生成器的损失: 2.286, 判别器的损失: 0.471

Epoch 0, 第 13 步, 生成器的损失: 1.228, 判别器的损失: 0.670

Epoch 0, 第 14 步, 生成器的损失: 0.561, 判别器的损失: 0.655

Epoch 0, 第 15 步, 生成器的损失: 0.560, 判别器的损失: 0.517

Epoch 0, 第 16 步, 生成器的损失: 0.643, 判别器的损失: 0.490

Epoch 0, 第 17 步, 生成器的损失: 0.727, 判别器的损失: 0.488

Epoch 0, 第 18 步, 生成器的损失: 1.003, 判别器的损失: 0.734

Epoch 0, 第 19 步, 生成器的损失: 1.235, 判别器的损失: 0.379

Epoch 0, 第 20 步, 生成器的损失: 1.869, 判别器的损失: 0.377

Epoch 0, 第 21 步, 生成器的损失: 2.073, 判别器的损失: 0.384

Epoch 0, 第 22 步, 生成器的损失: 1.185, 判别器的损失: 0.613

WARNING:tensorflow:This model was compiled with a Keras optimizer (<tensorflow.python.keras.optimizers.Adam object at 0x0000019D240A8BA8>) but is being saved in TensorFlow format with `save_weights`. The model's weights will be saved, but unlike with TensorFlow optimizers in the TensorFlow format the optimizer's state will not be saved.

Consider using a TensorFlow optimizer from `tf.train`.

Epoch 1, 第 0 步, 生成器的损失: 2.079, 判别器的损失: 0.590

Epoch 1, 第 1 步, 生成器的损失: 1.161, 判别器的损失: 0.506

Epoch 1, 第 2 步, 生成器的损失: 1.137, 判别器的损失: 0.451

Epoch 1, 第 3 步, 生成器的损失: 1.538, 判别器的损失: 0.346

Epoch 1, 第 4 步, 生成器的损失: 1.733, 判别器的损失: 0.362

Epoch 1, 第 5 步, 生成器的损失: 2.059, 判别器的损失: 0.275

Epoch 1, 第 6 步, 生成器的损失: 2.376, 判别器的损失: 0.243

Epoch 1, 第 7 步, 生成器的损失: 2.260, 判别器的损失: 0.300

Epoch 1, 第 8 步, 生成器的损失: 3.750, 判别器的损失: 0.240

Epoch 1, 第 9 步, 生成器的损失: 3.422, 判别器的损失: 0.222

Epoch 1, 第 10 步, 生成器的损失: 4.694, 判别器的损失: 0.275

Epoch 1, 第 11 步, 生成器的损失: 2.299, 判别器的损失: 0.411

Epoch 1, 第 12 步, 生成器的损失: 4.065, 判别器的损失: 0.547

Epoch 1, 第 13 步, 生成器的损失: 1.834, 判别器的损失: 0.470

Epoch 1, 第 14 步, 生成器的损失: 0.398, 判别器的损失: 1.344

Epoch 1, 第 15 步, 生成器的损失: 1.134, 判别器的损失: 0.973

Epoch 1, 第 16 步, 生成器的损失: 2.866, 判别器的损失: 0.374

Epoch 1, 第 17 步, 生成器的损失: 1.056, 判别器的损失: 0.767

Epoch 1, 第 18 步, 生成器的损失: 0.916, 判别器的损失: 0.603

Epoch 1, 第 19 步, 生成器的损失: 1.151, 判别器的损失: 0.645

Epoch 1, 第 20 步, 生成器的损失: 1.947, 判别器的损失: 0.411

Epoch 1, 第 21 步, 生成器的损失: 3.122, 判别器的损失: 0.314

Epoch 1, 第 22 步, 生成器的损失: 1.805, 判别器的损失: 0.642

WARNING:tensorflow:This model was compiled with a Keras optimizer (<tensorflow.python.keras.optimizers.Adam object at 0x0000019D240A8BA8>) but is being saved in TensorFlow format with `save_weights`. The model's weights will be saved, but unlike with TensorFlow optimizers in the TensorFlow format the optimizer's state will not be saved.

Consider using a TensorFlow optimizer from `tf.train`.

Epoch 2, 第 0 步, 生成器的损失: 1.240, 判别器的损失: 0.569

Epoch 2, 第 1 步, 生成器的损失: 1.151, 判别器的损失: 0.449

Epoch 2, 第 2 步, 生成器的损失: 1.395, 判别器的损失: 0.332

Epoch 2, 第 3 步, 生成器的损失: 1.649, 判别器的损失: 0.258

Epoch 2, 第 4 步, 生成器的损失: 1.777, 判别器的损失: 0.277

Epoch 2, 第 5 步, 生成器的损失: 1.562, 判别器的损失: 0.268

Epoch 2, 第 6 步, 生成器的损失: 2.229, 判别器的损失: 0.224

Epoch 2, 第 7 步, 生成器的损失: 2.432, 判别器的损失: 0.272

Epoch 2, 第 8 步, 生成器的损失: 4.502, 判别器的损失: 0.229

Epoch 2, 第 9 步, 生成器的损失: 4.549, 判别器的损失: 0.211

Epoch 2, 第 10 步, 生成器的损失: 4.481, 判别器的损失: 0.263

Epoch 2, 第 11 步, 生成器的损失: 3.766, 判别器的损失: 0.423

Epoch 2, 第 12 步, 生成器的损失: 2.195, 判别器的损失: 0.562

Epoch 2, 第 13 步, 生成器的损失: 1.682, 判别器的损失: 2.144

Epoch 2, 第 14 步, 生成器的损失: 0.911, 判别器的损失: 0.543

Epoch 2, 第 15 步, 生成器的损失: 0.301, 判别器的损失: 0.342

Epoch 2, 第 16 步, 生成器的损失: 0.159, 判别器的损失: 0.429

Epoch 2, 第 17 步, 生成器的损失: 0.208, 判别器的损失: 0.392

Epoch 2, 第 18 步, 生成器的损失: 0.241, 判别器的损失: 0.390

Epoch 2, 第 19 步, 生成器的损失: 0.826, 判别器的损失: 0.224

Epoch 2, 第 20 步, 生成器的损失: 1.065, 判别器的损失: 0.204

Epoch 2, 第 21 步, 生成器的损失: 0.824, 判别器的损失: 0.226

Epoch 2, 第 22 步, 生成器的损失: 4.178, 判别器的损失: 0.579

WARNING:tensorflow:This model was compiled with a Keras optimizer (<tensorflow.python.keras.optimizers.Adam object at 0x0000019D240A8BA8>) but is being saved in TensorFlow format with `save_weights`. The model's weights will be saved, but unlike with TensorFlow optimizers in the TensorFlow format the optimizer's state will not be saved.

Consider using a TensorFlow optimizer from `tf.train`.

Epoch 3, 第 0 步, 生成器的损失: 0.122, 判别器的损失: 0.613

Epoch 3, 第 1 步, 生成器的损失: 1.310, 判别器的损失: 0.799

Epoch 3, 第 2 步, 生成器的损失: 1.949, 判别器的损失: 0.168

Epoch 3, 第 3 步, 生成器的损失: 1.606, 判别器的损失: 0.167

Epoch 3, 第 4 步, 生成器的损失: 1.433, 判别器的损失: 0.281

Epoch 3, 第 5 步, 生成器的损失: 1.427, 判别器的损失: 0.323

Epoch 3, 第 6 步, 生成器的损失: 2.604, 判别器的损失: 0.292

Epoch 3, 第 7 步, 生成器的损失: 2.925, 判别器的损失: 0.377

Epoch 3, 第 8 步, 生成器的损失: 4.519, 判别器的损失: 0.292

Epoch 3, 第 9 步, 生成器的损失: 4.978, 判别器的损失: 0.415

Epoch 3, 第 10 步, 生成器的损失: 5.062, 判别器的损失: 0.506

Epoch 3, 第 11 步, 生成器的损失: 2.873, 判别器的损失: 0.648

Epoch 3, 第 12 步, 生成器的损失: 3.078, 判别器的损失: 0.610

Epoch 3, 第 13 步, 生成器的损失: 2.059, 判别器的损失: 0.783

Epoch 3, 第 14 步, 生成器的损失: 0.750, 判别器的损失: 1.088

Epoch 3, 第 15 步, 生成器的损失: 1.064, 判别器的损失: 0.898

Epoch 3, 第 16 步, 生成器的损失: 0.329, 判别器的损失: 0.714

Epoch 3, 第 17 步, 生成器的损失: 0.133, 判别器的损失: 0.446

Epoch 3, 第 18 步, 生成器的损失: 0.401, 判别器的损失: 0.476

Epoch 3, 第 19 步, 生成器的损失: 0.419, 判别器的损失: 0.374

Epoch 3, 第 20 步, 生成器的损失: 0.960, 判别器的损失: 0.225

Epoch 3, 第 21 步, 生成器的损失: 1.431, 判别器的损失: 0.203

Epoch 3, 第 22 步, 生成器的损失: 1.061, 判别器的损失: 0.717

WARNING:tensorflow:This model was compiled with a Keras optimizer (<tensorflow.python.keras.optimizers.Adam object at 0x0000019D240A8BA8>) but is being saved in TensorFlow format with `save_weights`. The model's weights will be saved, but unlike with TensorFlow optimizers in the TensorFlow format the optimizer's state will not be saved.

Consider using a TensorFlow optimizer from `tf.train`.

Epoch 4, 第 0 步, 生成器的损失: 2.778, 判别器的损失: 0.743

Epoch 4, 第 1 步, 生成器的损失: 0.179, 判别器的损失: 0.724

Epoch 4, 第 2 步, 生成器的损失: 2.880, 判别器的损失: 0.836

Epoch 4, 第 3 步, 生成器的损失: 2.585, 判别器的损失: 0.290

Epoch 4, 第 4 步, 生成器的损失: 2.781, 判别器的损失: 0.339

Epoch 4, 第 5 步, 生成器的损失: 2.925, 判别器的损失: 0.517

Epoch 4, 第 6 步, 生成器的损失: 5.254, 判别器的损失: 0.537

　附注2：这是train了一个epoch的generate_weight.ht拿来给generate.py生成花朵用的，效果如下：

用34 epoch的generate_weight.ht试试，效果如下:

如果你epoch到200以上，那么就可以看到如下的效果：

通过DCGAN进行生成花朵的更多相关文章

卷积生成对抗网络（DCGAN）---生成手写数字
深度卷积生成对抗网络(DCGAN) ---- 生成 MNIST 手写图片 1.基本原理生成对抗网络(GAN)由2个重要的部分构成: 生成器(Generator):通过机器生成数据(大部分情况下是图像 ...
DCGAN生成目标训练图片
前言: GAN的原理很简单,但是它有很多变体,如:DCGAN.CycleGAN.DeblurGAN等,它们也被用在不同地方,本文将用到DCGAN来生成头像图片,可以做到以假乱真的地步. 1.首先调用程 ...
第九讲_图像生成 Image Captioning
第九讲_图像生成 Image Captioning 生成式对抗网络 Generative Adversarial network 学习数据分布:概率密度函数估计+数据样本生成生成式模型是共生关系,判 ...
【神经网络与深度学习】生成式对抗网络GAN研究进展（五）——Deep Convolutional Generative Adversarial Nerworks，DCGAN
[前言] 本文首先介绍生成式模型,然后着重梳理生成式模型(Generative Models)中生成对抗网络(Generative Adversarial Network)的研究与发展.作者 ...
深度学习算法之DCGAN（写得不系统，后期再总结，大家可简单阅览一下）
目录 1.基本介绍 2.模型 3.优缺点/其他参考 1.基本介绍 DCGAN是生成对抗网络GAN中一种常见的模型结构.其中的生成器和判别器都是神经网络模型. GAN是一种生成式对抗网络,即通过对抗的 ...
CNCC2017中的深度学习与跨媒体智能
CNCC2017中的深度学习与跨媒体智能转载请注明作者:梦里茶目录机器学习与跨媒体智能传统方法与深度学习图像分割小数据集下的深度学习语音前沿技术生成模型基于贝叶斯的视觉信息编解码珠 ...
深度学习----现今主流GAN原理总结及对比
原文地址:https://blog.csdn.net/Sakura55/article/details/81514828 1.GAN 先来看看公式: GAN网络主要由两个网络构 ...
Oracle 11g数据库详解（2）
FAILED_LOGIN_ATTEMPTS 用于指定连续登陆失败的最大次数达到最大次数后,用户会被锁定,登陆时提示ORA-28000 UNLIMITED为不限制精确无误差是实时 PASSWOR ...
Tensorflow:DCGAN生成手写数字
参考地址:https://blog.csdn.net/miracle_ma/article/details/78305991 使用DCGAN(deep convolutional GAN):深度卷积G ...

随机推荐

uva 11992
题意: 给定一个r*c(r<=20,r*c<=1e6)的矩阵,其元素都是0,现在对其子矩阵进行操作. 1 x1 y1 x2 y2 val 表示将(x1,y1,x2,y2)(x1<=x ...
uva 1232
题意: 建筑物在多长的部分是最高的成为该建筑物的覆盖度.求所有建筑物的覆盖度之和. 链接: https://vjudge.net/contest/202699#problem/E 题解: 这道题还是挺 ...
Newtonsoft.Json 高级用法
基本用法 Json.NET是支持序列化和反序列化DataTable,DataSet,Entity Framework和Entity的.下面分别举例说明序列化和反序列化. DataTable: //序列 ...
【AtCoder】AGC031
A - Colorful Subsequence 答案是 \(\prod_{c = 'a'}^{'z'} (cnt[c] + 1)\) #include <bits/stdc++.h> # ...
一起学Hadoop——TotalOrderPartitioner类实现全局排序
Hadoop排序,从大的范围来说有两种排序,一种是按照key排序,一种是按照value排序.如果按照value排序,只需在map函数中将key和value对调,然后在reduce函数中在对调回去.从小 ...
Bash远程代码执行漏洞(CVE-2014-6271)案例分析
Web服务器和CGI的关系什么是WEB服务器(IIS.Nginx.Apache) WEB服务器也称为WWW(WORLD WIDE WEB)服务器,主要功能是提供网上信息浏览服务.(1)应用层使用HT ...
Centos创建定时任务和开机启动运行脚本
aaarticlea/png;base64,iVBORw0KGgoAAAANSUhEUgAAArYAAADlCAIAAAAp5CPLAAAgAElEQVR4nNS8d3cj15nuW/wq91vc8d ...
day 35 协程与gil概念
博客链接: http://www.cnblogs.com/linhaifeng/articles/7429894.html 今日概要: 1 生产者消费者模型(补充) 2 GIL(进程与线程的应用场景) ...
了解一下vue源码中vue 的由来
我们之前提到过 Vue.js 构建过程,在 web 应用下,我们来分析 Runtime + Compiler 构建出来的 Vue.js,它的入口是 src/platforms/web/entry-r ...
javascript 作用域详解
作用域理解:定义的变量.函数生效的范围.javascript 有全局作用域和函数作用域两种.注:es6实现let 块级作用域不是js原生的,底层同样是通过var实现的.如果想了解具体细节,请访问bab ...

通过DCGAN进行生成花朵

通过DCGAN进行生成花朵的更多相关文章

随机推荐

热门专题