2020年05月_飓风神龙

12月 11月 10月 07月 06月 05月

原创 Unsupervised Representation Learning With Deep Convolutional Generative Adversarial（小白学GAN 六）

原文链接：https://arxiv.org/pdf/1511.06434.pdf简介基础结构

2020-05-31 09:30:36 1187

原创 Conditional Generative Adversarial Nets（小白学GAN 五）

原文链接：https://arxiv.org/pdf/1411.1784.pdf简介核心思想：在判别器与生成器的输入中加上标签等而外信息作为条件信息来约束生成器。相比原始的GAN所生成的图片只能拟合到整个训练集X的数据分布，而无法控制具体生成其中某种标签的数据。但是如果加上了标签信息作为而外的信息输入，我们就能以此来对生成数据具体拟合范围进行约束，用不同的标签就能生成不同的数据。感性上来理解，判别器不仅要判断输入图片是否为真，还要判断输入图片与标签是否匹配，只不过两个任务由判别器一次完成罢了

2020-05-27 17:21:01 844

原创 W系列GAN（小白学GAN系列四）

PS：学习完WGAN之后，发现其实原WGAN中还存在一些不完善的地方，而也有很多后来人在填坑，本篇选取其中主要的两篇进行研究。阅读本篇之前，请先阅读Wasserstein GAN（小白学GAN系列三）原文链接：WGAN-GP(https://arxiv.org/abs/1704.00028) WGAN-DIV(https://arxiv.org/abs/1712.01026)简介WGAN中提出了“W距离”： ...

2020-05-26 21:12:15 1399 1

原创 Wasserstein GAN（小白学GAN系列三）

原文链接：https://arxiv.org/abs/1701.07875简介核心思想：改进GAN的优化细节来稳定GAN的训练过程。通过去掉判别器中的sigmoid，以及生成器和判别器中LOSS的log运算，且每次更新时将更新的值限制在一个常数大小C之内，并且尽量不使用基于动量的优化算法。直观地说，原始的GAN使用JSD来作为LOSS是不合理的，它的分布如右图所示仅仅在两个分布相拟合的时候才会等于零，并且此点与其他点之间是不连续的，因此使用随机梯度下降来优化模型是十分困难的。而本文作者去掉s

2020-05-25 17:50:49 1813

原创 Adversarial Autoencoders（小白学GAN系列二）

原文链接：https://arxiv.org/abs/1511.05644简介核心思想：与原始的GAN不同，本文的GAN不是对图片生成直接使用"零一"博弈的对抗训练，而是对生成编码向量的Encoder使用"零一"博弈的对抗训练，最后使其生成编码向量送入解码器（类似于原始GAN中的生成器）。从上图看本文的架构由三个部分组成Encoder、Decoder和Discriminator。如果要类比原始GAN的架构的话，本文中其实含有两个生...

2020-05-22 23:57:04 1504

原创 Generative Adversarial Nets（小白学GAN系列一）

原论文链接：https://arxiv.org/abs/1406.2661核心思想：借用了“零一”博弈的方式来训练生成网络。从而使得网络可以从已有的数据中学到其分布的概率。上图中黑色点是真实的数据分布，绿色实线是G(生成器)学习到的数据分布，蓝色虚线是判别器的划分界限，即在蓝虚线之下的判断为真实数据，在蓝虚线之上的判断为虚拟数据。由此可见，在训练刚开始之时（a）蓝线可以分部分真假的数据，到（b）时D(判别器)训练了一次后划分真假数据更为明显，再到（c）训练G使得G的数据分布向着真实数据在靠近，如此重

2020-05-21 23:56:58 708 3

原创 PaddlePaddle AI学习者的福音

接触深度学习才满一年半，这一年半中进度缓慢，处处碰壁，直到我发现了paddle，下面从一个ai初学者和学生党角度分享一下我的感受。初学AI的痛点没有好的实验环境，无论是传统机器学习或者深度学习，对硬件都是有一定要求的。作为一个搬砖研究生，自己没钱买好的设备，实验室条件也有限，基本上学ai就是在纸上谈兵，唯一跑过的demo就是手写数字识别。然而，入门的同学都知道机器学习尤其是深度学习是需要实践...

2020-05-02 14:35:12 600

ffmpeg_x64 win10环境下编译工程

此工程为win10系统 vs2019 x64所编译的ffmpeg源码工程

2021-04-14

keras_mnistm.pkl.gz

这个数据集是在mnist原数据集上扩出来的，它包含MNIST数字（来自Keras）和BSDS500数据集中的随机色块。原始下载URL:https://github.com/VanushVaswani/keras_mnistm/releases/download/1.0/keras_mnistm.pkl.gz 此处搬运，方便国内同学使用。

2020-06-04