新坑 GAN神经网络

基本组成

[基本组成讲解](https://mp.weixin.qq.com/s?__biz=MzA4MDExMDEyMw==&mid=2247489460&idx=1&sn=aa7c54f1f0df1ffd609cae6bc3aa6207&chksm=9fa860f0a8dfe9e6424e5eec46116296b67f8bde04566351f9b2e64a47d58e917b646558aed5&mpshare=1&scene=1&srcid=0827ERHkJEK0SDEFv6SGJrO9&sharer_sharetime=1598534434562&sharer_shareid=6136bc9ca576bab6a1214c55ca122ba9&key=33ebd99a2dcdcfacc429a144e1b4cf25cc040addf5c51785adbdc9963e451af73981e4504ff2209bfb4771f91caea4d932a995fc4b3a0c6b38086c08bdfc79fb7310e998bb7f741405dc95251e5b9d8aabe40c520af4570daeae38c0002f60f1b89e6f0e18d8f5685f487a9345b0c308c50caf199e6d172449c37061cc3f2785&ascene=1&uin=MjYzMDA0OTk0MA==&devicetype=Windows%2010%20x64&version=62090529&lang=zh_CN&exportkey=AxnJu9Thu7ZEu0/VjSDhI60=&pass_ticket = 7gETUczOfyHAdiv2RZ5 / L / GXRFGidTD7bKt5bGOjzEq3pJPNH2yKSYTvBfSgH8nR）
图像生成问题；这是一个什么嘚啊，比如AI换脸这种东西的吗
补充一个知识点就是迭代器是运用到batch上的：超链接
补充第二个指点点
函数是用来将数据编程张量的

实例资料

csdn该版本是pytorch的csdn 函数问题的调用：samplermatplotlib.rcparams这一块主要是明确了函数的的主要属性。np.ceil(a) ，np.floor(a) : 计算各元素的ceiling 值， floor值（ceiling向上取整，floor向下取整）

腾讯云微信推送

csdn简单版本

csdn简单版本不明之处：X = np.random.normal(size=(1000, 2))#loc对应均值就是中心，，，scale就是方差，，，size对应输出的数量plt.scatter(X[0:100,0],X[0:100,1],color=‘red’)#这个突然找不上对应关系了，看不懂这个X之后跟的数值是什么玩意。
isinstance(m, nn.Linear)函数的用法

B站讲解

生成器：生成自己想要的东西判别器：用来判别生成的东西，两个东西相互模仿对抗 然后不断升级。

制造的虚假样本而是利用反卷积实现的。

GAN预备知识

全连接层

四部分：维度（神经元）激活函数 初始化方法 正则项

激活函数

反向传播

是否带动量的优化器的选择

卷积层

卷积核的大小 步长大小

池化层pooling层

实战

那么这个实际就是生成一个飞常准的生成器吗

过程：

目标函数设定：
生成图片：
GD怎么设置的呢
如何进行训练：
标准公式：MAX第一个就是让判别器D尽可能最大(生成器不动的情况下)；第二个就是G调节生成器尽可能不让判别器识别出来，
前期训练加快训练：换成啥玩意忘记了

一轮回中：先训练判别器（生成器不动，不断的训练D），再训练生成器（D不动，不断的训练G）

这里的GAN就是最基本的GAN

该生成器的结构：100-1024的全连接层（升级到很高的维度）
激活之后再来一个全连接
BAtchNOrmazation是防止崩溃的
REshape就成了一个图像的样子 上边三行整体来看就是生成一个 图像（77的）
再利用两次Upsampling扩展成2828大小的尺寸。

判别器

主要流程：

CGAN 基本没有什么东西就这样

＃DGAN
pooling利用卷积层代替
G和D都要用BN层
全连接层去掉，全部利用全卷积层
生成器除了输出层，激活函数统一使用RElu
判断器的所有激活函数统一使用leakyrelu