深度生成模型之数据生成GAN -＞（个人学习记录笔记）

已于 2024-03-14 19:07:28 修改
阅读量607 收藏 7
点赞数 7
分类专栏： 机器学习 文章标签： 生成对抗网络 学习 笔记
于 2024-01-02 16:10:27 首次发布
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/Slience_me/article/details/135343249
版权
本文探讨了深度生成模型，特别是GAN（GenerativeAdversarialNetworks）在数据生成中的多种应用，包括图片设计、数据增强、真实数据仿真、视频生成、语音生成和文本生成。同时介绍了不同类型的图像生成模型结构，如DCGAN、LAPGAN、PGGAN和条件GAN的变体。
摘要由CSDN通过智能技术生成

文章目录

深度生成模型之数据生成GAN

数据生成的应用

1. 图片设计创作

  • 生成重复性工作多，且需要一定创作能力的作品

在这里插入图片描述

2. 数据增强

  • 生成数量更多，类型更加丰富的数据

20240102151837501

3. 数据仿真

  • 生成更加真实的数据，提升仿真数据的质量

4. 视频生成、预测、编辑

  • 生成视频、对视频帧进行预测
    在这里插入图片描述

5. 语音生成

  • 生成说话语音序列与音乐(WaveGAN/GANsynth)

在这里插入图片描述

6. 文本生成

  • 完形填空，句子生成，长文本生成等(MaskGAN,SeqGAN,LeakGAN)

在这里插入图片描述

图像生成模型结构

1. 基本卷积GAN

  • DCGAN
    在这里插入图片描述

2. 多尺度与残差GAN模型

  • LAPGAN,基于残差的学习机制

  • PGGAN,基于逐渐提高分辨率的学习机制
    在这里插入图片描述

3. 条件生成GAN

  • CGAN，显式控制生成结果

在这里插入图片描述

  • InfoGAN，隐式控制生成结果

在这里插入图片描述

4. 半监督条件GAN模型

  • ACGAN(增加标签输出作为辅助，提高生成质量)

在这里插入图片描述

5. 属性向量的学习

  • IcGAN，使用编码器完成从图像到属性本身的学习，然后通过更改属性生成新的图片。

在这里插入图片描述

6. 分层属性模型StyleGAN

  • 输入映射网络，Mapping Network

在这里插入图片描述

  • 自适应风格化曾，AdaIN层

在这里插入图片描述

  • StyleGAN的应用

在这里插入图片描述

  • 部分内容来自阿里云天池
slience_me
关注
  • 7
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
生成对抗网络——GAN深度卷积实现（代码+理解）
CXDNW的博客
06-18 1324
设置 betas=(opt.b1, opt.b2) 有什么 实际的作用？通俗易懂的讲一下betas=(opt.b1, opt.b2) 是怎样 更新学习率的？
机器学习：残差学习、RNN、GAN、迁移学习、知识蒸馏
1900的博客
01-06 4359
残差学习、循环神经网络、生成式对抗网络、迁移学习、知识蒸馏
使用残差网络resnet与WGAN制作一个生成二次元人物头像的GAN（pytorch）
qq_41103479的博客
08-03 4136
a GAN using Wasserstein loss and resnet to generate anime pics. 一个resnet-WGAN用于生成各种二次元头像（你也可以使用别的图像数据集，用于生成图片） @本项目用于深度学习中的学习交流，如有任何问题，欢迎联系我！联系方式QQ：741533684 #我使用了残差模块设计了了两个相对对称的残差网络，分别做生成对抗网络的的生成器与判别器，基本原理其实与DCGAN类似。在此基础上，使用了不同于Binary cross entropy los
深度生成模型
weixin_42513086的博客
07-02 1726
深度生成模型13.1 概率生成模型13.2 变分自编码器13.3 生成对抗网络   概率生成模型（ Probabilistic Generative Model ），简称生成模型，是概率统计和机器学习领域的一类重要模型，指一系列用于随机生成可观测数据的模型．生成模型通常包含两个基本功能：概率密度估计和生成样本（即采样）.   深度生成模型就是利用深度神经网络可以近似任意函数的能力来建模一个复杂分布 pr (x) 或直接生成符合分布pr (x) 的样本． 13.1 概率生成模型   如果要建模含隐变量的分布
GAN网络的模型坍塌和不稳定的分析
xinxiang7
07-07 7387
众所周知，GAN异常强大，同时也非常难以训练。主要有以下亮点原因： 模型坍塌(mode collapse) 难以收敛和训练不稳定(convergence and instability) GAN网络的一般表达式可以表示为： 利用minmax获得公式 给定G，求D的最优化 针对D进行求导： 获取最优解： 最优解结果： KL和JS散度表达式： GAN表达式： 增加一项，表示生成网络G的损失函数： 简化： 结合公式(6)和公式(8)可以得出： 公式(12)中的KL散度使得两个分布尽可能的小
GAN应用之数据生成，无监督深度学习新方法（3）
qq_43019117的博客
09-21 4852
3.1 从GAN到Conditional GAN GAN的生成式模型可以拟合真实分布，所以它可以用于伪造数据。DCGAN是第一个用全卷积网络做数据生成的，下面是它的基本结构和生成的数据。 输入100维的噪声，输出64*64的图像，从mnist的训练结果来看，还不错。笔者也用DCGAN生成过嘴唇表情数据，也是可用的。 但是它的问题是不能控制生成的数字是1还是9，所以后来有了CGAN,即条件GAN...
常用生成模型 -- GAN
qq_32172681的博客
08-15 3015
1、GAN简介 GAN，对抗生成网络， 包括两个网络，即生成器G与判别器D。它们的功能分别是： （1）G是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)。相当于decoder。 （2）D是一个判别网络，判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D（x）代表x为真实图片的概率，如果为1，就代表100%是真实的图片，而输出为0，就代表不可...
MATLAB的var模型代码-VAE-GAN-CelebA:与论文相关的代码和笔记本：VanRullen＆Reddy撰写的“使用深度生成神经网
05-23
MATLAB的var模型代码VAE-GAN-CelebA 与本文相关的Python代码：VanRullen＆Reddy（2019） 该文件夹包含： 一个（在CelebA数据集上约15个时期= 50,000个批次的64张图像） VAE-GAN人脸分解/重建模型的一组.py函数，尤其...
steam-stylegan2-ada:在协作实验室上训练StyleGAN2-ADA模型以生成Steam标语
05-24
运行 ，以使用经过训练的StyleGAN2-ADA模型生成图像， 要从最新的检查点自动恢复训练，您将不得不使用StyleGAN2-ADA的。 数据 数据集由具有RGB通道的14k Steam标语组成，尺寸从300x450调整为256x256。 图像是通过...
机器学习笔记之生成模型综述(三)生成模型的表示、推断、学习任务
最新发布
静静的学习就好
02-10 1377
上一节介绍了从监督学习、无监督学习任务的角度介绍了经典模型。本节将从表示、推断、学习三个任务出发，继续介绍生成模型。
深度生成模型（Deep Generative Models）
10-26
深度生成模型基本都是以某种方式寻找并表达（多变量）数据的概率分布。有基于无向图模型（马尔可夫模型）的联合概率分布模型，另外就是基于有向图模型（贝叶斯模型）的条件概率分布。前者的模型是构建隐含层(latent)和显示层（visible)的联合概率，然后去采样。
机器学习笔记之生成模型综述(二)监督学习与无监督学习
静静的学习就好
02-08 1140
本节将从机器学习需要解决的任务——监督学习、无监督学习的角度，对现阶段经典概率模型进行总结。
机器学习笔记 - 生成对抗网络 (GAN)概述和入门示例
学以致用 知行合一
04-06 3377
生成对抗网络 (GAN) 是一类功能强大的神经网络，用于无监督学习。它是由 Ian J. Goodfellow 在 2014 年开发和引入的。GAN 基本上由两个相互竞争的神经网络模型组成的系统，它们相互竞争，能够分析、捕获和复制数据集中的变化。 在 GAN 中，有一个生成器和一个鉴别器。生成器生成假数据样本（无论是图像、音频等）并试图欺骗鉴别器。另一方面，鉴别器试图区分真假样本。生成器和判别器都是神经网络，它们在训练阶段都相互竞争。重复这些步骤，在这个过程中，生成器和鉴别器在每次重复......
深度残差网络
wanglingganggg的博客
07-07 3994
深度残差学习（Deep Residual Learning）的思想 假如目前有一个可以工作的很好的网络A，这时来了一个比它更深的网络B，只需要让B的前一部分与A完全相同，后一部分只实现一个恒等映射（identity mapping），这样B最起码能获得与A相同的性能，而不至于更差。深度残差学习的思想也由此而产生，既然B后面的部分完成的是恒等映射，何不在训练网络的时候加上这一先验（在网络训练过
残差网络(Deep Residual Learning for Image Recognition)
热门推荐
AI蜗牛之家
08-23 5万+
题外话： 了解ResNet的都会清楚他是应用于CNN的，按说我一个做nlp的不应该是用RNN、LSTM、gru吗？是的CNN 确实是在图像处理上应用更常见，但是现在CNN在很多文本处理、文本分类里面用到（n-gram），并展现出了相当不错的效果，所以嘛，我也要学习啦~ paper link:点击下载 1. 引言 网络的深度为什么重要？ 因为CNN能够提取low/mid/h...
ESRGAN:增强型超分辨率生成对抗网络（Enhanced Super-Resolution Generative Adversarial Networks）论文笔记
weixin_41018348的博客
09-29 5万+
                                  ESRGAN:增强型超分辨率生成对抗网络 论文原文：https://arxiv.org/abs/1809.00219 摘要： 超分辨率生成对抗网络（SRGAN）[1]是能够在单幅图像超分辨率期间生成真实感纹理的一项重要工作。然而，幻觉的细节往往伴随着令人不快的伪影。为了进一步提高视觉质量，我们深入研究了SRGAN网络体系结构...
残差（residual）
aihali的专栏
06-23 9063
在回归分析中，测定值与按回归方程预测的值之差，以δ表示。残差δ遵从正态分布N(0，σ2)。δ与σ之比，称为标准化残差，以δ*表示。δ*遵从标准正态分布N(0，1)。实验点的标准化残差落在(-2，2)区间以外的概率≤0.05。若某一实验点的标准化残差落在(-2，2)区间以外，可在95％置信度将其判为异常实验点，不参与回归线拟合。
GAN原理总结以及对比
yd的博客
11-13 2268
本文对GAN原理介绍，以及与其他几种改进的GAN，主要介绍两种改进GAN（为什么只有两种呢，因为最近只详细的看了这两个，来做点笔记（错了就帮忙指出一哈----我是一个小白）） 目录 一、GAN 二、WGAN-GP 三、SRGAN 一、GAN GAN(Generative Adversarial Network)是生成式对抗网络，是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的...
生成对抗网络(GAN)：深度学习的创新应用
- 生成式模型：则试图学习数据的真实分布，从而能够生成新的、看似来自同一数据集的样本。生成对抗网络中的生成器就属于这类模型。 2. **生成对抗网络的基本原理**: - 生成器：接受一个随机噪声向量z作为输入，...
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

打赏作者

slience_me

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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