简介：
SRGAN全称为 Super Resolution Generative Adversarial，这是第一个对放大四倍真实自然图像做超分辨率的框架【模糊变清晰，有码变无码(狗头)】
生成器模型：
1.输入是一张低分辨率的图像
2.进入一个64通道步长为1的卷积
3.RELU激活
4.自定义个数的残差卷积快（每个卷积快结构：【1】64通道步长为1的卷积【2】BN参数标准化【3】RELU激活【4】64通道步长为1的卷积【5】BN参数标准化【6】将当前残差块之前的参数与当前参数连接）
5.进入一个64通道步长为1的卷积
6.BN参数标准化
7.将第一个残差块之前的参数与当前参数连接
8.【1】进入一个256通道步长为1的卷积【2】上采样或反卷积，将图片扩大至现在的两倍【3】RELU激活
9.重复第8步
10.进入一个3通道步长为1的卷积
11.输出是一张高分辨率假图
生成器代码【Keras】:
def build_generator(self):'''生成器模型代码，实现方法减少了一些网络层数'''# 残差卷积快def residual_block(layer_input, filters):d = Conv2D(filters, kernel_size=3, strides=1, padding='same')(layer_input)d = BatchNormalization(momentum=0.8)(d)d = Activation('relu')(d)d = Conv2D(filters, kernel_size=3, strides=1, padding='same')(d)d = BatchNormalization(momentum=0.8)(d)d = Add()([d, layer_input])return d# 上采样def deconv2d(layer_input):u = UpSampling2D(size=2)(layer_input)u = Conv2D(256, kernel_size=3, strides=1, padding='same')(u)u = Activation('relu')(u)return u# 输入大小为128,128,3img_lr = Input(shape=self.lr_shape)# 第一部分，低分辨率图像进入后会经过一个卷积+RELU函数c1 = Conv2D(64, kernel_size=9, strides=1, padding='same')(img_lr)c1 = Activation('relu')(c1)# 第二部分，经过16个残差网络结构，每个残差网络内部包含两个卷积+标准化+RELU，还有一个残差边。r = residual_block(c1, 64)for _ in range(self.n_residual_blocks - 1):r = residual_block(r, 64)# 第三部分，将第一个残差块之前的参数与当前参数连接。c2 = Conv2D(64, kernel_size=3, strides=1, padding='same')(r)c2 = BatchNormalization(momentum=0.8)(c2)c2 = Add()([c2, c1])# 第四部分，上采样部分，将长宽进行放大，两次上采样后，变为原来的4倍，实现提高分辨率。u1 = deconv2d(c2)u2 = deconv2d(u1)gen_hr = Conv2D(self.channels, kernel_size=9, strides=1, padding='same', activation='tanh')(u2)# 返回模型return Model(img_lr, gen_hr)
判定器模型：
1.输入是一张高分辨率真实图像，或者生成器生成的高分辨率假图
2.进入一个64通道步长为1的卷积
3.RELU激活
4.【1】进入一个64通道步长为2的卷积【2】BN参数标准化【3】RELU激活
5.【1】进入一个128通道步长为1的卷积【2】BN参数标准化【3】RELU激活
6.【1】进入一个128通道步长为2的卷积【2】BN参数标准化【3】RELU激活
7.【1】进入一个256通道步长为1的卷积【2】BN参数标准化【3】RELU激活
8.【1】进入一个256通道步长为2的卷积【2】BN参数标准化【3】RELU激活
9.【1】进入一个512通道步长为1的卷积【2】BN参数标准化【3】RELU激活
10.【1】进入一个512通道步长为2的卷积【2】BN参数标准化【3】RELU激活
11.通过1024个神经元的全连接层
12.RELU激活
13.通过1个神经元的全连接层
14.S型函数输出判定结果
ps：进入全连接层之前，一共进行了四次步长为2的卷积，图片大小变为原来的1/16
判定器代码【Keras】:
def build_discriminator(self):'''判定器模型代码'''# 几个相似的模型层def d_block(layer_input, filters, strides=1, bn=True):d = Conv2D(filters, kernel_size=3, strides=strides, padding='same')(layer_input)d = LeakyReLU(alpha=0.2)(d)if bn:d = BatchNormalization(momentum=0.8)(d)return d# 由一堆的卷积+LeakyReLU+BatchNor构成d0 = Input(shape=self.hr_shape)d1 = d_block(d0, 64, bn=False)d2 = d_block(d1, 64, strides=2)d3 = d_block(d2, 128)d4 = d_block(d3, 128, strides=2)d5 = d_block(d4, 256)d6 = d_block(d5, 256, strides=2)d7 = d_block(d6, 512)d8 = d_block(d7, 512, strides=2)d9 = Dense(64 * 16)(d8)d10 = LeakyReLU(alpha=0.2)(d9)validity = Dense(1, activation='sigmoid')(d10)# 返回模型return Model(d0, validity)
向训练好的生成器中传入低分辨率图片（共训练了10000轮）：
输入图片：本次训练输入图片像素大小固定为32*32
输出图片：输出图片像素大小扩展为原来的4倍（128*128）
生成网络通过自身的训练参数，根据传入的低分辨率图像自行绘制了一张高分辨率图像，由于32*32像素的输入图像的可提取特征较少，所以一些脸部的皱纹提取不到，输出结果中的女人会比打码之前显得年轻一点点（狗头）
