def create_network(Xt,
Ct,
filter_size=4,
img_shape=(None, None, 1),
strides=[2, 2, 2, 2, 1],
filters=[64, 128, 256, 512, 1]):
with tf.name_scope("Disc"):
X = kl.Input(img_shape, tensor=Xt, name="X")
C = kl.Input(img_shape, tensor=Ct, name="C")
layer = kl.GaussianNoise(stddev=0.1)(X)
layer = kl.concatenate([layer, C], axis=-1)
# Discriminator
for l in range(len(filters) - 1):
conv = kl.Conv2D(filters=filters[l],
kernel_size=filter_size,
padding="same",
strides=strides[l])(layer)
layer = kl.LeakyReLU()(conv)
layer = InstanceNormalization()(layer)
D_out = kl.Conv2D(filters=img_shape[-1],
kernel_size=filter_size,
activation="sigmoid",
padding="same",
strides=strides[-1])(layer)
model = k.Model(inputs=[X, C], outputs=D_out)
return model
def create_disc(Xt,
Ct,
img_shape=(28, 28, 1),
filter_size=3,
strides=[2, 2],
filters=[64, 128]):
with tf.name_scope("Disc"):
X = kl.Input(img_shape, tensor=Xt, name="X")
C = kl.Input(img_shape, tensor=Ct, name="C")
layer = kl.GaussianNoise(stddev=0.1)(X)
# Discriminator
layer = kl.Conv2D(filters=filters[0],
kernel_size=filter_size,
padding="same",
strides=2)(layer)
layer = kl.LeakyReLU()(layer)
for l in range(1, len(filters)):
conv = kl.Conv2D(filters=filters[l],
kernel_size=filter_size,
padding="same",
strides=strides[l])(layer)
layer = kl.LeakyReLU()(conv)
layer = kl.Dropout(0.2)(layer)
layer = kl.BatchNormalization()(layer)
layer = kl.Flatten()(layer)
D_out = kl.Dense(1, activation="sigmoid")(layer)
model = k.Model(inputs=[X, C], outputs=D_out)
return model
def create_network(Xt, Ct,
filter_size=5,
channels=1,
strides=[2, 2, 2, 2, 2, 1],
filters=[64, 128, 256, 512, 512, 1]):
with tf.name_scope("Disc"):
X = kl.Input((None, None, channels,), tensor=Xt, name="X")
C = kl.Input((None, None, channels,), tensor=Ct, name="C")
layer = kl.GaussianNoise(stddev=0.1)(X)
# Discriminator
layer = kl.Conv2D(
filters=filters[0],
kernel_size=filter_size,
padding="same",
strides=2,
use_bias=False,
kernel_regularizer=kr.l2())(layer)
layer = kl.LeakyReLU()(layer)
for l in range(1, len(filters) - 1):
layer = kl.Conv2D(
filters=filters[l],
kernel_size=filter_size,
padding="same",
strides=strides[l],
use_bias=False,
kernel_regularizer=kr.l2())(layer)
layer = kl.LeakyReLU()(layer)
layer = kl.BatchNormalization()(layer)
D_out = kl.Conv2D(
filters=filters[-1],
kernel_size=filter_size,
activation="sigmoid",
padding="same",
strides=strides[-1],
use_bias=False,
kernel_regularizer=kr.l2())(layer)
model = k.Model(inputs=[X, C], outputs=D_out)
return model