![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
GAN
dexterod
永远朝气蓬勃的小太阳~
展开
-
GAN生成对抗网络合集(八):GeneGAN - 子属性分离重组 - 解决对象变形问题
GeneGAN 源文:GeneGAN: Learning Object Transfiguration and Attribute Subspace from Unpaired DataGeneGAN 源代码:https://github.com/Prinsphield/GeneGAN---------------------------------------------------------------------------------------------------------------原创 2020-06-03 18:26:15 · 2099 阅读 · 0 评论 -
GAN生成对抗网络合集(七):cycleGAN—循环损失的提出 / starGAN
cycleGAN源文:https://arxiv.org/abs/1703.10593cycleGAN笔者实践代码:https://github.com/leehomyc/cyclegan-1-----------------------------------------------------------------------------------------------------------------------------------------1 cycleGAN大体思路到了cyc原创 2020-06-03 12:11:31 · 12223 阅读 · 0 评论 -
GAN生成对抗网络合集(六):GAN-cls –具有匹配感知的判别器(附代码)
1 GAN-cls原理 这是一种GAN网络增强技术----具有匹配感知的判别器。前面讲过,在InfoGAN中,使用了ACGAN的方式进行指导模拟数据与生成数据的对应关系(分类)。在GAN-cls中该效果会以更简单的方式来实现,即增强判别器的功能,令其不仅能判断图片真伪,还能判断匹配真伪。(个人理解)没啥实质性改变,时间并未缩短,技术也没有怎么简化甚至变得复杂了。就是思想上的一个转变,原本ACGan是模拟样本+正确分类信息原创 2020-06-02 17:04:10 · 3936 阅读 · 0 评论 -
GAN生成对抗网络合集(五):LSGan-最小二乘GAN(附代码)
首先分享一个讲得还不错的博客:经典论文复现 | LSGAN:最小二乘生成对抗网络1. LSGan原理 GAN是以对抗的方式逼近概率分布。但是直接使用该方法,会随着判别器越来越好而生成器无法与其对抗,进而形成梯度消失的问题。所以不论是WGAN,还是本节中的LSGAN,都是试图使用不同的距离度量(loss值),从而构建一个不仅稳定,同时还收敛迅速的生成对抗网络。 &原创 2020-06-02 15:32:24 · 5378 阅读 · 3 评论 -
GAN生成对抗网络合集(四):wGAN及wGAN-gp(附代码)
1 原始GAN存在问题 实际训练中,GAN存在着训练困难、生成器和判别器的loss无法指示训练进程、生成样本缺乏多样性等问题。这与GAN的机制有关。 GAN最终达到对抗的纳什均衡只是一个理想状态,而现实情况中得到的结果都是中间状态(伪平衡)。大部分的情况是,随着训练的次数越多判别器D的效果越好,会导致一直可以将生成器G的输出与真实样本区分开。原创 2020-06-02 11:41:56 · 14123 阅读 · 10 评论 -
GAN生成对抗网络合集(三):InfoGAN和ACGAN-指定类别生成模拟样本的GAN(附代码)
1 InfoGAN-带有隐含信息的GAN InfoGAN是一种把信息论与GAN相融合的神经网络,能够使网络具有信息解读功能。 GAN的生成器在构建样本时使用了任意的噪声向量x’,并从低维的噪声数据x’中还原出来高维的样本数据。这说明数据x’中含有具有与样本相同的特征。 &原创 2020-06-01 20:11:15 · 7448 阅读 · 5 评论 -
GAN生成对抗网络合集(二):DCGAN-基于深度卷积的GAN
如果使用原始的GAN,输入GAN的随机噪声为100维的随机噪声,输出图像为256×256大小。也就是说要将100维的信息映射为65536维(38维的映射为28×28=784维)。如果单纯用原始的DNN来实现,整个模型参数非常巨大,且学习难度很大(低纬度映射到高纬度需要添加许多信息)DCGAN即使用卷积网络的对抗网络,其原理和GAN一样,只是把CNN卷积技术用于GAN模式的网络里。G(生成器)网在生成数据时,使用反卷积的重原创 2020-06-01 11:24:31 · 1400 阅读 · 0 评论 -
GAN生成对抗网络合集(一):理论基础及一些相关概念
对抗神经网络其实是两个网络的的组合,两者关系形成对抗。是用网络来监督网络的一个自学习过程。生成器(generator)生成模拟数据:不断优化自己让判别器判断不出来是模拟数据。主要是从训练数据中产生相同分布的samples,对于输入x,类别标签y,在生成式模型中估计其联合概率分布(两个及以上随机变量组成的随机向量的概率分布);判别器(discriminator)判断生成的数据是真实还是模拟的:不断优化自己让自己判断更准确原创 2020-06-01 11:06:05 · 1690 阅读 · 0 评论