广州seo网站排名优化自助网站建设价格

将输出的rgb作为输入，输入到判别器中。接着执行一个for循环，看一下body_down列表的组成和x经过body_down之后的值。


body_down是由残差块D组成的列表：

残差块的参数为：(3,128),(128,128),(128,256),(256,256),(256,512),(512,512)/-1,根据i==0，判断first参数的True或者False。

残差块组成：

x首先进过shortcut。假设执行第一次for循环，通道(3,128)/-1/True.

将RGB下采样两倍。

接着in=3,out=128，learned_shortcut=True。

x再经过一个卷积：

接着输出x。执行完shortcut再执行卷积：


conv1输出一个mid_layer,conv2输出最终的out.
因为x在开始进行了下采样，为了能够相加，这里也对dx进下采样。

接着执行第二个块，输入和输出通道都是128.只执行下采样两倍。

后面的四个根据通道是否相等只执行如下操作：

这样encoder_res里面有六个值，将第四层和第六层输出放在dis_list中：

接着取出dis_list进行处理：

self.dis列表里面存放了两个nn.Sequential，分别处理dis_list的第一第二个。

        self.dis = nn.ModuleList([nn.Sequential(nn.Conv2d(256, 64, 3, padding=1, stride=2),nn.LeakyReLU(0.2, False),nn.Conv2d(64, 64, 3, padding=1),nn.BatchNorm2d(64),nn.LeakyReLU(0.2, False),nn.Conv2d(64, 64, 3, padding=1),nn.BatchNorm2d(64),nn.LeakyReLU(0.2, False),nn.Conv2d(64, 64, 3, padding=1),nn.BatchNorm2d(64),nn.LeakyReLU(0.2, False),nn.Conv2d(64, 1, 3, padding=1)),nn.Sequential(nn.Conv2d(512, 64, 3, padding=1, stride=2),nn.LeakyReLU(0.2, False),nn.Conv2d(64, 64, 3, padding=1),nn.BatchNorm2d(64),nn.LeakyReLU(0.2, False),nn.Conv2d(64, 64, 3, padding=1),nn.BatchNorm2d(64),nn.LeakyReLU(0.2, False),nn.Conv2d(64, 64, 3, padding=1),nn.BatchNorm2d(64),nn.LeakyReLU(0.2, False),nn.Conv2d(64, 1, 3, padding=1))])

在Sequential内部，首先将输入下采样两倍，然后三个卷积进行特征提取操作，最后卷积输除通道为1，输出Fake 或者real的概率。对应于：

接着将encoder最后一个输出作为decoder输入进行上采样：

残差块参数为：(512,512)/1,将输入上采样两倍。

剩下的五次卷积，分别倒着取列表里面的通道：


将decoder的值和encoder拼接，上采样6次，添加到return_feats列表中。
将最后一层输出值进过一个卷积，输出通道为类别通道数：


最后将最后一层输出值，encoder两个中间变量值，decoder的5个上采样中间值作为输出。