无监督学习
老司机的诗和远方
非1即0!
展开
-
GAN改进五大方向
Improved GAN (NIPS-2016 workshop):该工作主要给出了5条有助于GAN稳定训练的经验:(1) 特征匹配:让生成器产生的样本与真实样本在判别器中间层的响应一致,即使判别器从真实数据和生成数据中提取的特征一致,而不是在判别器网络的最后一层才做判断,有助于提高模型的稳定性;其实验也表明在一些常规方法训练GAN不稳定的情况中,若用特征匹配则可以有效避免转载 2017-09-07 15:48:53 · 4548 阅读 · 1 评论 -
条件对抗网络
转载:http://blog.csdn.net/hjimce/article/details/54407981转载 2017-09-08 09:22:59 · 458 阅读 · 0 评论 -
对抗自编码
转载:http://blog.csdn.net/hjimce/article/details/54411244转载 2017-09-08 10:57:06 · 1966 阅读 · 0 评论 -
AdversarialNetsPapers&Code
AdversarialNetsPapersThe classical Papers about adversarial netsThe First paper:white_check_mark: [Generative Adversarial Nets] [Paper] [Code](the first paper about it)Unclassified:white_check_mark: [D原创 2017-09-01 21:53:41 · 627 阅读 · 0 评论 -
AdversarialNetsPapers
AdversarialNetsPapersThe classical Papers about adversarial netsThe First paper [Generative Adversarial Nets] [Paper] [Code](the first paper about it)Unclassified [Deep Gener原创 2017-09-01 21:55:30 · 510 阅读 · 0 评论 -
GAN改进方向
GAN改进方向:原文只针对框架本身进行了理论证明和实验验证,表明了GAN的理论基础及其有效性,而对于其中的许多细节并没深究(相当于开采了一个大坑等人来填),比如文章中的输入信号只是随机噪声,比如原文中的G和D都只是以最简单的MLP来建模;另外,作者在文章结尾还列出了该模型可以改进的5个参考方向,进一步为后来逐渐广泛的研究做了铺垫。作者给出的参考方向主要包括:(1) 将G转载 2017-10-24 21:02:47 · 4227 阅读 · 0 评论 -
训练GAN网络的技巧
How to Train a GAN? Tips and tricks to make GANs workWhile research in Generative Adversarial Networks (GANs) continues to improve the fundamental stability of these models, we use a bunch of tric转载 2017-10-25 14:13:05 · 2345 阅读 · 0 评论