20221222 GAN 无监督学习

AI-lala

已于 2023-09-22 16:42:38 修改

阅读量96

点赞数

分类专栏： a 文章标签：生成对抗网络人工智能神经网络

于 2022-12-22 17:20:57 首次发布

本文链接：https://blog.csdn.net/GAOSHIQI5322688/article/details/128411294

版权

a 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

GitHub - eriklindernoren/PyTorch-GAN: PyTorch implementations of Generative Adversarial Networks.

流程：GAN的学习 - 训练过程（冻结判别器）_V丶Chao的博客-CSDN博客_gan训练过程

1、图像修复

https://github.com/TencentARC/GFPGAN

Ubuntu 18.04 安装NVIDIA显卡驱动+cuda 10.2+cudnn_翟羽嚄的博客-CSDN博客_ubuntu18.04安装cuda10.2

2、各大模型讲解

Transformer结构及其应用详解--GPT、BERT、MT-DNN、GPT-2 - 知乎

3、embedding

什么是词向量？如何得到词向量？Embedding 快速解读

4.十分钟读懂Diffusion：图解Diffusion扩散模型 - 知乎

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

AI-lala

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
20221222 GAN 无监督学习

a
复制链接

扫一扫

专栏目录

李航老师《统计学习方法》第2版课件：第22章无监督学习方法总结.rar

03-10

无监督学习还涵盖了其他一些方法，如自编码器(Autoencoder)和生成对抗网络(GAN)。自编码器是一种神经网络模型，通过学习数据的低维表示（编码）和从该表示重构原始数据（解码），以达到数据压缩和特征学习的目的。...

使用GAN进行弱监督学习的图像推荐

02-19

本教程将探讨如何使用GAN进行弱监督学习的图像推荐，并涵盖其核心概念、实施步骤以及可能遇到的挑战。一、GAN的基本原理 GAN由两个主要部分组成：生成器（Generator）和判别器（Discriminator）。生成器负责根据...

参与评论您还未登录，请先登录后发表或查看评论

半监督学习研究综述半监督

04-19

SGAN（Semi-Supervised GAN）是基于GAN的半监督学习模型的一种，思路是利用大量的无标签数据训练一个更好的GAN，然后将生成的数据用作数据增强，帮助我们训练一个好的分类器。本文对半监督学习的基本概念、经典...

GAN-CycleGAN.pptx

04-26

这是一个比较详细的介绍生成对抗网络和无监督风格转换的ppt，如果大家觉得有用，可以关注我，会不定期的分享生成对抗网络方面的文章笔记或心得，希望和大家一起学习进步！

Python-Tensorflow中的半监督学习GAN

08-11

"Python-Tensorflow中的半监督学习GAN"着重讨论了如何在Tensorflow框架下实现这种技术。 生成对抗网络由两部分组成：生成器（Generator）和判别器（Discriminator）。生成器的任务是创造看似真实的样本，而判别器则...

2024钉钉杯A题思路详解

全栈川川

07-26

1603

2024钉钉杯思路

【自然语言处理】概论（一）：自然语言处理概要

古月居

07-25

635

语言：语言就广义而言，是采用一套具有共同处理规则来进行表达的沟通指令，指令会以视觉、声音或者触觉等方式来传递。可以分为:自然语言、动物语言、计算机语言。。。自然语言人类在发展过程中形成的一种信息交流方式，包括口语和书面语，反映人类的思想。它自然地随文化演化，是人类用来沟通的指令，可以通过视觉、声音或触觉等方式传递。定义：自然语言处理是计算机科学和人工智能的一个分支，它旨在开发能够理解和生成人类语言的技术。通过建立形式化计算模型来分析、理解和生成自然语言的学科。

常见的文心一言的指令

知码客

07-25

1231

文心一言，作为百度研发的预训练语言模型“ERNIE 3.0”的一项功能，能够与人对话互动，回答问题，协助创作，高效便捷地帮助人们获取信息、知识和灵感。

安装TensorRT各自小库版本问题

Ppandaer的博客

07-24

429

降版本：protobuf3.19，onnx 1.12。

全面解析 SnowNLP：中文文本处理、情感分析

有勇气的牛排博客

07-24

552

SnowNLP 是一个专门用于处理中文文本的 Python库。分词情感分析关键词提取文本分类拼音转换繁体转简体词相似度计算等测试环境：Python3.10.9尚未测出该功能text = "有勇气的牛排写的文章通俗易懂，爱了爱了"文本分类使用的是 SnowNLP 的情感分析模型。

推荐几款支持AI剪辑并可使用个人视频素材的软件！

wly476923083的博客

07-25

1030

点击编辑按钮，可以进入一键成片后的编辑状态，在这里你可以更换每段的视频素材、文案等，也可以编辑草稿，进行更多视频内容编辑，编辑完成后，点击右上角的“导出”按钮，就可以将编辑好的视频导出到本地！另一种是“输入和提取文案”，切换到“输入和提取文案”，自己输入视频脚本，或是点击“提取视频文案”功能键，选择要提取文案的视频，一键提取视频脚本，支持多次提取！③确认文案后，点击底部的“生成视频”，它会进行视频分析、智能包装，然后为你生成5个营销视频，你可以选择查看任意视频导出使用！

昇思25天学习打卡营第1天|快速入门

07-28

185

昇思大模型平台是一个集算法选型、创意分享、模型实验和大模型在线体验为一体的AI学习与实践社区，而且还内置了AI实验室，它覆盖多领域任务，体验全流程开发，支持用户在线训练和推理可视化，可创建自己的项目空间对待开发者很友好，提供云上开发环境，无需配置环境，既可灵活调试运行代码，每天免费使用8个小时。

AI智能技术驱动安全生产：智慧矿山视频智能监管新篇章

TSINGSEE青犀视频官方技术博客

07-26

662

当识别到有人员未按照要求穿戴安全帽、反光背心/工服时，将立即抓拍，并将告警信息上传到平台。

重塑生态体系深挖应用场景萤石诠释AI时代智慧生活新图景

07-25

1201

从“1+4+N”自然进化到“2+5+N”产品生态体系，萤石十年来不断迭代、不断升级，为家居生活带来更智慧的交互、更丰富的场景，萤石的下一个十年值得期待。来自全国各地的萤石合作伙伴、行业从业者及相关媒体，共聚杭州，共同见证拥抱AI的萤石，将如何全新升级，AI加持下的智慧生活又有何不同。用户只需轻轻抬起手腕，即可实现对家中智能设备的远程操控，如智能门锁可视对讲、安全警报的查看以及智能场景的控制等，极大地提升了生活的便捷性与智能化水平。，确保了数据的安全性，为用户提供更快、更便捷、更安全的家庭存储新选择。

安卓手机部署大模型实战

奇舞周刊

07-25

761

本文作者系360奇舞团前端开发工程师前言自ChatGPT发布以来，大语言模型（Large language model, LLM)就成了AI乃至整个计算机科学的话题中心。学术界，工业界围绕大语言模型本身及其应用展开了广泛的讨论，大量的新的实践层出不穷。由于LLM对计算资源的需求极大，有能力部署大语言模型的公司和实验室一般通过搭建集群，然后开放API或者网页demo的方式让用户可以使用模型。在人们纷...

MOE模式：或将是最好的大模型应用开发路径

最新发布

AI相关从业分享

07-28

341

MOE（Mixture of Experts，混合专家）是一种机器学习模型架构，旨在通过结合多个专家网络来提高模型的性能和泛化能力。以下是传统模型和大模型中MOE模式的相关介绍及其优势。传统模型中的MOEGate网络：决定输入数据应该被路由到哪一个专家网络。Gate网络可以根据输入数据的特征来动态分配数据。Expert网络：一系列专门的网络，每个网络都是针对特定数据分布进行训练的。Expert网络可以是对特定问题有深入理解的小模型。组合层：将所有Expert网络的输出进行组合，形成最终的预测结果。

线性代数|机器学习-P26随机梯度下降

scar2016的博客

07-25

1146

122121212。

【Week-G5】适用于图像翻译的pix2pix模型-Pytorch版本

qq_40724911的博客

07-24

672

本次主要学习Pix2Pix网络，常用于图像翻译，它的核心技术包括三点：（1）基于CGAN的损失函数：通过DropOut在生成模型中引入随机噪声z（2）基于U-Net的生成器：包含编码-解码结构，可以学习浅层到深层的特征（3）基于PatchGAN的判别器：输入图像被划分成块（Patch）

【Python数据增强】图像数据集扩充

阿齐Archie

07-25

1817

该脚本用于图像数据增强，特别是目标检测任务中的图像和标签数据增强。通过应用一系列数据增强技术（如旋转、平移、裁剪、加噪声、改变亮度、cutout、翻转等），生成多样化的图像数据集，以提高目标检测模型的鲁棒性和准确性。

GAN自监督学习和无监督学习

07-27

GAN（生成对抗网络）是一种用于无监督学习的机器学习模型。在传统的无监督学习中，我们通常只能从输入数据中学习到数据的分布或者特征，而无法获取到数据的标签或者目标。而GAN通过引入一个生成器网络和一个判别器网络，可以在无需标签的情况下进行学习。在GAN中，生成器网络负责生成与真实数据相似的新数据样本，而判别器网络则负责判断一给定样本是真实的还是由生成器生成的。这两个网络相互竞争、相互协作，通过不断迭代优化，最终生成器能够生成具有逼真度的样本。 GAN自监督学习是一种利用GAN模型进行自监督学习的方法。在传统的监督学习中，我们需要标注大量的数据以供训练，但是标注数据往往是耗时且昂贵的。而GAN自监督学习则通过使用生成器网络生成伪标签来进行训练，从而避免了对大量标注数据的依赖。具体而言，GAN自监督学习可以通过将生成器网络生成的样本与真实样本进行对比，将生成样本视为伪标签，并使用判别器网络来判断样本的真实性。通过不断迭代优化生成器和判别器的参数，生成器可以逐渐生成更加逼真的样本，并且可以用于其他任务，如半监督学习、迁移学习等。总而言之，GAN自监督学习和无监督学习都是利用无标签数据进行学习的方法，但GAN自监督学习通过引入生成器和判别器的竞争机制，可以更加有效地进行无监督学习，并且可以用于一些其他的任务。