GAN李宏毅（3）——无监督conditional GAN

最新推荐文章于 2023-04-10 16:44:40 发布
最新推荐文章于 2023-04-10 16:44:40 发布
阅读量1.3k 收藏 4
点赞数
分类专栏： GAN
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/duyue3052/article/details/82818203
版权

目录

问题——如果判别器不仔细设计，而生成器又比较深的话，会导致生成图像与原始图像差别很大

方法1——加一个训练好的分类器

​

方法2——circle GAN

两个生成器，两个判别器，一起训练

存在的问题

​

扩展——starGAN

方法3——统一空间

为了减少模糊，增加判别能力，我们引入判断全局信息的判别器——VAEGAN

由于是分开训练的，并没有映射到相同空间

方法1couple-GAN、Unit：编码器最后几个层公用参数，解码器开始几个层公用参数

方法2 增加一个判别器，减少两个domain的差异

方法3：combo GAN双循环

从标签得到图片，然后用判别器更新生成器。如果标签没那么精确，不是一对一的，计算判别器的时候就会出现问题，怎么办？

问题——如果判别器不仔细设计，而生成器又比较深的话，会导致生成图像与原始图像差别很大

方法1——加一个训练好的分类器

方法2——circle GAN

两个生成器，两个判别器，一起训练

存在的问题

要求生成器恢复已经丢失的信息，会导致生成器生成效果受到限制（偷偷摸摸藏信息）

其他类似的两个方案

扩展——starGAN

方法3——统一空间

为了减少模糊，增加判别能力，我们引入判断全局信息的判别器——VAEGAN

由于是分开训练的，并没有映射到相同空间

XY说的语言不一样

方法1couple-GAN、Unit：编码器最后几个层公用参数，解码器开始几个层公用参数

方法2 增加一个判别器，减少两个domain的差异

方法3：combo GAN双循环

chen5561
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
无监督学习，生成模型：自编码器（AE,VAE）,GAN
m0_52289494的博客
06-14 2732
一 概念定义： 二 编码器 三 GAN 一 概念定义： 1、Unsupervised Learning 无监督学习 2、编码器 3、随机自编码器与GAN 4.Gan 对抗网络 1、Unsupervised Learning 无监督学习： 机器学习的三个类别： 监督学习，无监督学习，半监督学习 其中 监督学习 指是我们率先知道y，即我们有期望得到的值，无监督学习是没有y，让机器从海量数据中自己去寻找共性y，然后自己建立模型。 核心：监督机器学习很多......
李宏毅《GAN Lecture》学习笔记2 - Conditional GAN
好记性不如烂笔头
10-15 357
Conditional GAN 最初的GAN是输入随机向量，输出一幅图像，这样的话，生成的图像是随机的，不可控的。 Conditional GAN是在输入的地方加上条件限制，譬如，配上文字介绍，生成的图像就是与文字相关的图像 使用传统的supervised learning做到这种需求的方法 右上角是准备的训练数据（文字描述与图像的pairs） 这种方法的缺点： 对于train，训练集中可能有多...
【多聚焦图像：GAN：无监督】
weixin_43690932的博客
12-21 1752
仅供自己参考
gan是不是无监督讨论
weixin_44523062的博客
05-15 5362
Gan是无监督的生成数据的模型，其中D判别（真假）貌似有监督作用 Gan只是利用real图和噪声生成新的一堆有模有样的可以归类的label数据 扩增数据（通过GAN特征分层、可加性DCGan，REID）、图像去噪声（通过有噪声和无噪声的pair）pix2pix、去雾雪马赛克、unpaired的可以进行数据风格的迁移cycleGAN和styleGAN https://www.cnblogs.com/lllcccddd/p/10621014.html ...
深度学习《VAE-GAN》
qq_29367075的博客
12-08 1万+
VAE-GAN如下图所示，也就是VAE+GAN的组合。 我们知道VAE是由一个编码器一个解码器组成，编码器可以将数据映射到一个低维的空间分布code c，而解码器可以将这个分布还原回原始数据，因此decoder是很像GAN中的generateor，如果再后面拼接上一个判别器D，这样的话，前两个模块就是VAE，后俩模块就是GAN。 训练的时候，decoder输出的x’要和原始的x尽可能接近（L1或L2距离），x’和真实数据x经过D需要判别出是是否是真实的图片，训练结束后，我们就能直接取出GAN的部分做生成使
台湾大学李宏毅机器学习课程
06-04
李宏毅（（Hung-yi Lee）目前任台湾大学电机工程学系和电机资讯学院的助理教授，他曾于2012年获得台湾大学博士学位，并于2013年赴麻省理工学院（MIT）计算机科学和人工智能实验室做访问学者。他的研究方向主要是语义理解、语音识别、机器学习和深度学习）老师的机器学习课程以机器学习和深度学习的基础知识为主，包含了AI领域的各种最新知识和技术点。课程深入简出，通俗易懂，颇受欢迎，非常适合对AI感兴趣的学习者。本课程已经获得李宏毅老师授权。
李宏毅《GAN Lecture》学习笔记3 - Unsupervised Conditional GAN
好记性不如烂笔头
10-16 759
Unsupervised Conditional GAN 上一篇介绍的Conditional GAN是需要成对的数据作为训练集，而在很多情况下，很难准备这样的训练集。不成对的数据较为容易收集，那么，利用这些不成对的数据做Conditional GAN就是Unsupervised Conditional GAN. 有两种实现 ...
李宏毅 GAN PPT
12-07
- **CycleGAN.pptx** 专注于循环一致性GAN，用于无监督的图像到图像转换，不需对应对齐的数据集。 - **Attention.pptx** 可能讨论了注意力机制在GANs中的应用，增强模型对重要特征的识别和利用能力。 - **fGAN....
GAN 台大李宏毅课件
12-17
### GAN 台大李宏毅课件 #### 基本概念与理论推导 **生成对抗网络（Generative Adversarial Network, GAN）**是由Ian Goodfellow等人在2014年提出的深度学习模型之一。该模型通过两个神经网络之间的博弈过程来学习...
李宏毅深度学习GAN课程PPT
06-08
9. **最近进展与挑战**：了解GAN领域的最新研究，比如CGAN（Conditional GAN）、ALI（Adversarial Latent Interpolation）、BigGAN等，并讨论GAN面临的挑战，如训练不稳定性、计算资源需求高等。 通过学习李宏毅...
生成式模型(VAE+GAN)
qq_41036272的博客
02-19 5106
1.VAE-变分自编码器 1.1 交叉熵 1.1.1 信息量 首先是信息量。假设我们听到了两件事，分别如下： 事件A：巴西队进入了2018世界杯决赛圈。 事件B：中国队进入了2018世界杯决赛圈。 仅凭直觉来说，显而易见事件B的信息量比事件A的信息量要大。究其原因，是因为事件A发生的概率很大，事件B发生的概率很小。所以当越不可能的事件发生了，我们获取到的信息量就越大。越可能发生的事件发生了，我们获取到的信息量就越小。那么信息量应该和事件发生的概率有关。 假设X是一个离散型随机变量，其取值集合为χ,概率分布函
GAN 网络讲解(一):生成式对抗网络(GANs)简介
热门推荐
@bangbang的博客
12-01 6万+
生成式对抗网络(GANs)的功劳通常归于Ian Goodfellow博士等人。事实上，它是由Pawel Adamicz博士(左)和他的博士生Kavita Sundarajan博士(右)发明的，他们在2000年就有了GAN的基本想法，比Goodfellow博士发表的GAN论文早了14年。 这个故事是假的，Pawel Adamicz博士和Kavita Sundarajan博士的照片也是假的。它们根本不存在，是由GAN创造的! GAN不只是用于有趣的应用，它们正在推动深度学习的重大进步。扬·勒昆博士，他发明了卷.
VAEGAN：理解 VAE 与 GAN【图像生成】
简单记录生活、学习
10-30 4719
VAEGAN：理解 VAE 与 GAN【图像生成】
​李宏毅机器学习——对抗生成网络（GAN）
iwill323的博客
10-24 2516
​李宏毅机器学习——对抗生成网络（GAN）
[2022]李宏毅深度学习与机器学习第六讲（必修）-GAN
weixin_45920982的博客
11-28 566
将产生的东西放到一个分类，如果分布比较集中，那么效果就不错，但是这种方法不一定有用，可能会出现model collapse，可能他产生的图片一直是某几张，Diversity比较小。生成器的目标是，让生成的分布和真是分布尽可能地相近，这里就有很多不同的方法衡量，比如，Js Divergence、KL Divergence，但是要如何计算就成了一个问题，因为我们不知道两个是什么分布。因为两个模型是互动的，一旦一个出现问题，那么train 可能就停下来了，两个模型一定要棋逢对手，这是一个前瞻的技术，有待解决。
【李宏毅】-生成对抗式网络（GAN）
最新发布
m0_51474171的博客
04-10 860
输入不再是只是x，还有一个simple distribution（样本分布），输出也是一个分布。尤其在任务需要的时候，需要分布。
GAN（二）:VAE-GAN，BiGAN
shanlepu6038的博客
11-22 1万+
一、VAE-GAN简介 下图展示了VAE-GAN的大体框架。 所谓“人如其名”，在给gan命名的时候也是如此。VAE-GAN就是VAE和GAN的结合体。 VAE：包含encoder和decoder两部分。 encoder的作用是编码，也就是将输入的图片image1转换成向量vector decoder的作用是解码，也就是将向量vector转换成图片image2 其中，image1和image2要...
李宏毅机器学习笔记：GAN
qq_43711697的博客
08-30 4781
前言 主要记录李宏毅机器学习2021中介绍GAN部分的笔记，从GAN的发展开始到GAN的基本理论再到GAN生成的评价方法最后到介绍流行的GAN方法。 一、GAN的基本介绍 GAN的全名是Generative Adversarial Network生成对抗网络，其主要的目的是为了让训练机器让机器能够自主生成相对应类型的图片，其中生成器generator就是GAN中进行生成相对应类似分布的网络，而鉴别器Discriminator就是判别生成器生成是否为真假的网络，鉴别器通过将输入的图像转换成一个判别值来判断真
李宏毅教授深度解析：一天掌握GAN精髓
"台湾大学李宏毅教授的课程，主题为‘一天搞懂GAN’，旨在深入浅出地讲解Generative Adversarial Networks（生成对抗网络）的概念和技术。课程由李宏毅教授主讲，并有TA团队协助教学，包括刘浩然、刘记良、孙凡耕、...
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
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