李宏毅GAN学习（八） photo editing

最新推荐文章于 2023-04-10 16:44:40 发布
最新推荐文章于 2023-04-10 16:44:40 发布
阅读量1.2k 收藏 2
点赞数 2
分类专栏： GAN 文章标签： GAN 学习笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/CSDNbaiduyun/article/details/85343992
版权

生成器是已经训练好的一个网络，encoder是一个跟判别器很像的网络，可以用判别器初始化encoder（最后一层除外，因为网络的输出格式不一样），然后训练网络。

假如已知图片的标签，比如根据头发长短分成两类。下图左为长发，右为非长发，将长发的所有图片输入encoder，将得到的所有z求均值，再将非长发的所有图片输入encoder，将得到的所有z求均值，求两者之间的差，就是长发与非长发之间的特征差。如果需要将一个短发图像变成长发的，则可以将短发的图像输入到encoder，将结果加上长发与非长发之间的特征差，最后输入到生成器上，则最后的输出的为长发的图像。具体如下图所示：

古月光军001
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
李宏毅《机器学习》课程笔记（作业十一：GAN）
如花美眷，似水流年~
05-12 1410
GAN包含辨别器和生成器，是一个对抗的关系，用adversarial。是无监督的学习方式。 可以将其看成老师和学生的关系。 注意辨别器和生成器是轮流训练的，输入是一个随机的向量，最后的输出是一个标量。训练一个的时候把另外一个固定住不更新梯度值。对于辨别器，优化目标是两个部分，使得真实图像得分高而生成的图像得分低。 结构化学习，输出不再是一个简单的向量，而是一个句子，一张图片或者一棵树等等。 One-shot learning, 如果我们把每一张图片看做一个class，所以每个类别只出现一次，有些甚至
GAN李宏毅(1)
duyue3052的博客
09-22 1828
目录 GAN的种种变形的收集 课程内容 1基本概念 1.1核心问题 1.2算法 1.3结果——遍历的创造力 2GAN 是一种结构学习 2.1分类、回归、结构学习 2.2 结构学习的难度 2.3传统解决这个问题的方法  3generator自己学会怎么样 3.1用encode-decode网络的decode代作为生成器 3.2这种方式的问题 3.3VAE解决这个问题 3...
GAN系列：李宏毅老师GAN课程P8——Photo Editing
lynlindasy的博客
03-03 601
生成器的输入是一个低维向量，输出是一张图片。向量的每一维可能对应着图像的某个特征，改变的值就可以调整图像内容。那么： 1. 对于一张已有的生成图像，如何得到它对应的向量？ 2. 又如何知道中的每个元素/维度对应着图像中哪个特征？ 3. 该维度是以怎样的具体值控制着该特征的表现呢？ 回答1：利用GAN+Autoencoder的结构得到。如下图所示：已有生成器(同时相当于解码器)，加入一个编码...
GAN学习笔记-李宏毅：GAN Lecture 8 (2018):Photo Editing
qq_31895943的博客
03-06 347
李宏毅老师讲解的GAN Lecture 8 (2018): Photo Editing 智能ps的做法
GAN笔记_李弘毅教程(八）Photo Editing
sinat_32512123的博客
11-15 393
Demo 可以根据调节参数来变化特征 要知道输入的每一维控制输出的什么特征。 G输入z，输出x;如果已知x(图片和标签)，我们如何知道生成x的z（vector）? 学习一个encoder Decoder不动，只train encoder，修正Encoder的最后一层。实际上可以拿D的参数来初始化Encoder的参数。 这样当给出一些image，就可以反推出它们的vector。 下图公式：长发...
李宏毅 GAN PPT
12-07
结合标签“深度学习 GAN 李宏毅”，我们可以推测这个压缩包包含的内容将覆盖以下主题： 1. **深度学习基础**：在深入GANs之前，可能先会介绍深度学习的基本概念，如神经网络架构、反向传播、损失函数等。 2. **...
李宏毅深度学习GAN课程PPT
06-08
通过学习李宏毅教授的深度学习GAN课程，你可以系统地掌握生成式对抗网络的核心概念，进一步提升在深度学习领域的理论知识和实践技能。无论是对学术研究还是工业界应用，这都将是一份宝贵的参考资料。
李宏毅老师深度学习PPT
11-18
李宏毅老师在深度学习领域的教学资源深受业界好评，他的课程覆盖了多种先进技术，包括元学习、终身学习和强化学习等。 元学习，也称为学习学习，是一种使机器学习模型能够快速适应新任务的方法。在元学习中，模型...
李宏毅深度学习ppt
12-24
台湾大学李宏毅教授的深度学习方面的一些课堂ppt资料，希望可以帮到你们
李宏毅深度学习课件.rar
12-02
在李宏毅老师的课程中，你会深入学习到深度学习的核心算法，如反向传播（Backpropagation）、卷积神经网络（Convolutional Neural Networks, CNN）、循环神经网络（Recurrent Neural Networks, RNN）以及生成对抗...
【李宏毅】-生成对抗式网络（GAN）
m0_51474171的博客
04-10 873
输入不再是只是x，还有一个simple distribution（样本分布），输出也是一个分布。尤其在任务需要的时候，需要分布。
【学习笔记-李宏毅】GAN（生成对抗网络）全系列（一）
iioSnail的博客
07-06 2840
前言 相关链接 1. Introduction 1. 1 Basic Idea of GAN 1.2 GAN as structured learning 1.3 Generator可以自己学吗？ VAE（Variational Auto-encoder） 2. CGAN, Conditional Generation by GAN 2.1 discriminator的架构改进 2.2 Stack GAN 2.3 Image-to-image 2.4 Speech Enhancement（提升语音的质量）
【深度学习】李宏毅2021/2022春深度学习课程笔记 - Generative Adversarial Network 生成式对抗网络（GAN）
热门推荐
知不足而奋进，望远山而前行
11-10 2万+
下面是小精灵游戏画面，有很多小精灵在“迷宫”里走动。现给出一个需求，需要通过当前的游戏画面，预测下一帧的画面传统神经网络的做法是，将前面一帧或几帧的画面图片作为特征，当前画面图片作为标签进行训练，目的是使得通过历史画面，输出的画面和当前画面越接近越好。有人按照这样的思路做了，结果出现了一个问题，小精灵在走到岔路口时，会一分为二，分裂成两个小精灵，这是为什么呢？这是因为在岔路口时，即使是同样的历史画面，小精灵也有可能向左走或者向右走，所以在训练集里，很存在这样“矛盾”的标签，即同样的特征，但是输出不同，为了满
李宏毅机器学习笔记：GAN
chairon的博客
04-15 106
GAN的评估方法 分类器输出概率，但是会导致Mode Collapse（生成数据分布非常相似），这个问题目前还无法解决。Model Dropping：生成的数据多样性不够。多样性：让生成的图片通过分类器输出所有概率分布，再求每个类别的平均概率分布，如果比较集中则多样性不够。 FID:将分类网络softmax输出之前的向量抽象到某一维度（假设服从高斯分布），然后计算与真实数据之间的距离 Conditionnal GAN 通过输入文字和向量Z产生图片，文字限定生成图片属性，训练的文字和图片需要成对 通过
GAN 李宏毅 课程笔记（一）
hn_lgc的专栏
09-01 419
Generator 不用想得太复杂，就是一个函数。函数的形式可以是NN。 输入一个向量，这个向量可以看成一个控制向量，用向量中的元素表示生成对象的属性。生成对象可以是不同的东西，图片矩阵，文字序列都可以，需要具体控制。 这可以弄出一个有趣的应用，通过改变输入向量，生成人脸渐变的中间图像。 比如用向量中的第一个元素表示头发的长度，导数第二个表示头发的颜色。 一样的，判别器也可以看成一个函数，可以是NN。它的输入是前面生成的对象，比如一张图片。输入是一个数字，就是生成对象的逼真程度，符合程度。 GAN的原
李宏毅MLDS课程笔记9：Generative Adversarial Network(GAN)
徐子尧的博客
04-23 4283
NIPS 2016 Tutorial: Generative Adversarial Networks [Paper] [Video] tips for training GAN: https://github.com/soumith/ganhacksBasic Idea of GAN1、最大化似然函数等价于最小化PdataP_{data} 与PGP_G 之间的KL散度。如果PGP_G 取的是GM
李宏毅机器学习|生成对抗网络Generative Adversarial Network (GAN)|学习笔记（1）|GAN基本概念介绍
qq_39923466的博客
09-08 670
文章目录前言1 Generation2 Generative Adversarial Network (GAN)GeneratorDiscriminatorBasic Idea of GANAlgorithm结果展示总结 前言 之前老早就听说了GAN，然后对这个方法还不是很了解，想在今后的论文中应用它。因此来学习下李宏毅讲的GAN,记个笔记。视频地址 1 Generation 之前的神经网络的模型大多是给定x，然后通过Nertwork来给定一个y。 但是Generation是给定X和一个简单分布的Z(
李宏毅老师《机器学习》课程笔记-6 GAN
宁萌Julie的博客
06-16 1147
介绍GAN(Generative Adversarial Model)。
李宏毅gan网络作业代码讲解
最新发布
07-17
李宏毅是一位著名的机器学习专家，他在GAN（生成对抗网络）方面做出了重要贡献。GAN是一种包含两个神经网络的模型，一个称为生成器（Generator），另一个称为判别器（Discriminator）。GAN的目标是让生成器尽可能地...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值