GAN的诞生-Generative Adversarial Networks

最新推荐文章于 2024-03-14 11:29:27 发布
最新推荐文章于 2024-03-14 11:29:27 发布
阅读量562 收藏 1
点赞数
分类专栏： 论文研读 文章标签： 神经网络 机器学习 tensorflow
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/qq_16162595/article/details/105249043
版权

语雀地址：https://www.yuque.com/docs/share/ad7ba04e-4c1b-42ca-aa89-1d65823efff3

一、论文情况

论文

《Generative Adversarial Networks》，NIPS 2014

 

1406.2661.pdf

 

二、引言

1.GAN产生的大环境

2012年至2014年期间

  • 判别式深度模型 （更受关注）
    • AlexNet (2012）
    • NIN（2012）
    • VGG（2014）
    • GoogleNet（2014）
  • 生成式模型 （少、杂）
    • DBM（2009）
    • VAE（2014）
    • NCE（2010）

生成式模型方向研究人员少、相关模型少、相关深度模型更少；原理复杂、推导复杂、实现复杂

2. GAN同时期的其他相关工作

2.1 最常规模式

2.1.1 方法特点

对目标对象的概率分布建模，并将其表达为具体的某种参数形式，然后通过最大似然一类的方法来训练模型。

2.1.2 代表方法

  • DBM

2.1.3 不足

通常得到的似然分布都无法直接求解，需要依赖许多近似算法或采样算法等。

2.2 无需具体的参数化形式

2.2.1 方法特点

用其他形式代替最大似然优化

2.2.2 相关方法

GSN-2014

2.2.3 方法核心

假设一条马尔科夫链的稳态稳步是数据的真实分布，然后将马尔科夫链中的求解操作替换为可以用梯度反传来执行的操作。

3. GAN类似类型的工作

  • 同样利用判别式准则来辅助训练产生式模型，如NCE
  • 同样利用两个网络相互训练，如Predictability

 

 

  • Minimization，VAE
  • 诱因——VAE：由可微分的两个网络构成，结合随机BP+近似推断进行训练

三、核心思想

image.png

 

 

优化K次D，再优化一次G

 

 

四、实验结果与分析

image.png

 

 

改进点

  • 条件式生成模型
  • 改进z，不直接从噪声出发
  • 迁移学习
  • 半监督学习
  • 提升模型效率

 

五、总结

框架本身特色：是框架，不是单一模型

理论保证：有唯一最优解

 

六、代码复现

 

1_mnist - Jupyter Notebook.pdf

 

余生!
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Hands-On-Generative-Adversarial-Networks-with-PyTorch-1.x:Packt发布的具有PyTorch 1.x的动手生成对抗网络
05-26
本书涵盖以下激动人心的功能：实施PyTorch的最新功能以确保高效的模型设计掌握GAN模型的工作机制使用CycleGAN进行未配对图像集合之间的样式转换Build和训练3D-GAN以生成3D对象的点云创建一系列GAN模型以执行各种...
【论文笔记】—生成对抗网络—GAN—2014-NIPS
chaiky的博客
07-10 2255
题目：Generative Adversarial Nets生成对抗神经网络GAN开山之作论文。论文作者为“生成对抗网络之父”Ian Goodfellow和图灵奖得主Youshua Bengio。GAN近年来成为人工智能和深度学习的热门研究领域。GAN广泛应用于图像生成、风格迁移、AI艺术、黑白老照片上色修复。你可以使用GAN实现照片转成油画、野马转成斑马、黑夜转成白天，简笔画的猫转成真猫，模糊图像转成高清图像等酷炫好玩的应用。EID：arXiv:1406.2661.....................
生成对抗网络GAN的前世今生
On the way
01-02 3305
综合论文摘要以及网上文章整理。
【论文精读】GAN：Generative Adversarial Nets 生成对抗网络
最新发布
weixin_47748259的博客
03-14 1243
生成模型 G 捕获数据分布，生成模型的任务是尽量使得判别模型犯错生成模型是要对整个数据的分布进行建模，从而能够生成各种分布。分布是一个一般化的词，在统计学的眼里，整个世界是通过采样不同的分布得到的，所以想要生成东西，目的就是要去抓住整个数据的分布。判别模型 D 估计样本来自训练数据而不是G的概率。
生成对抗网络（Generative Adversarial Networks，GAN）
Aaadsda414114的博客
12-20 4323
目录 生成对抗网络（Generative Adversarial Networks，GAN） 一、什么是GAN 二、GAN的模型结构 三、实战案例 3.1 使用GAN生成人脸照片 四、深入理解GAN模型 4.1 GAN是一种非监督学习框架 4.2 GAN是一种生成模型 五、GAN的应用场景 5.1 生成图像数据集 5.2 图像到图像的转换 5.3 照片编辑 5.4 提高照片分辨率，让照片更清晰 5.5 照片修复 生成对抗网络（Generative Adversarial ..
Evolutionary Generative Adversarial Networks
weixin_41749533的博客
10-17 81
最后，根据“适者生存”的原则，将表现不佳的后代剔除，保留剩余的表现良好的后代（即generator），用于进一步的训练。在本文中，我们提出了一种新的GAN框架，称为进化生成对抗网络（E-GAN），用于稳定的GAN训练和提高生成性能。现有的GANs使用预定义的对抗目标函数交替训练生成器和鉴别器，我们使用不同的对抗训练目标作为突变操作，并进化出一群生成器来适应环境（即鉴别器）。我们还利用一种评估机制来衡量生成的样本的质量和多样性，这样只有性能良好的生成器(s)被保留并用于进一步的训练。进化生成的对抗性网络。
(2014)Generative Adversarial Nets 论文解读
qq_34621022的博客
03-30 1414
Generative Adversarial Nets–生成对抗网络 作者：Ian J. Goodfellow, Jean Pouget-Abadie∗, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair†, Aaron Courville, Yoshua Bengio‡ Abstract ...
Generative Adversarial Networks Cookbook.zip
05-15
Developing Generative Adversarial Networks (GANs) is a complex task, and it is often hard to find code that is easy to understand.This book leads you through eight different examples of modern GAN ...
Generative-Adversarial-Networks-Cookbook
05-28
本书涵盖以下激动人心的功能：用伪代码构造GAN架构了解您将要构建的每个GAN模型的通用架构在TensorFlow和Keras中实现不同的GAN架构在GAN模型中使用不同的数据集来启用神经网络功能结合不同的GAN模型并学习如何微调...
生成对抗网络GAN（ Generative Adversarial Networks）63PPT，GAN原理，介绍，变体详细
11-22
1.GAN背景 2.GAN原理 3.最原始GAN 4.GAN变体 5.整整63页的ppt，下载就是赚到 到2014为止，最广泛使用和最成功的机器学习形式是监督学习。通过给定包含{输入X，输出Y}的训练数据集，监督学习算法学习从输入到输出的...
StarGAN Unified Generative Adversarial Networks.pdf
09-02
这是关于StarGAN Unified Generative Adversarial Networks的论文
Evolutionary Generative Adversarial Networks-论文简介-进化算法+GANs
zxcqlf的博客
04-15 3619
本文为2018年发表于于IEEE Transactions on Evolutionary Computation的Evolutionary Generative Adversarial Networks，作者： Chaoyue Wang ; Chang Xu ; Xin Yao ; Dacheng Tao 主要特点是将传统的进化算法与对抗生成网络相结合，从何解决了GAN网络的训练不稳定以及模式崩...
深度学习之生成式对抗网络 GAN（Generative Adversarial Networks）
fenglepeng的博客
05-27 6146
一、GAN介绍 生成式对抗网络GAN（Generative Adversarial Networks）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方法之一。它源于2014年发表的论文：《Generative Adversarial Nets》，论文地址：https://arxiv.org/pdf/1406.2661.pdf。 模型通过框架中（至少）两个模块：生成模型（Generative model）和判别模型（Discriminative model）的相互博弈学习产生相当好的输出。原始
重读经典：《Generative Adversarial Nets》
10点43的博客
11-10 8027
GAN论文逐段精读【论文精读】 GAN论文链接：https://arxiv.org/abs/1406.2661
《generative adversarial nets》的解读以及实现
lslslslslss的博客
12-09 3613
一 论文解读 1.1论文基本信息 《Generative Adversarial Nets》是Ian J.Goodfellow发表在NIPS 2014上的一篇论文，也是GANs的开山之作。NIPS（NeurIPS），全称神经信息处理系统大会(Conference and Workshop on Neural Information Processing Systems)，是一个关于机器学习和计算神经科学的国际会议。该会议固定在每年的12月举行,由NIPS基金会主办。NIPS是机器学习领域...
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 5万+
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.
Generative Adversarial Nets——NIPS2014
qq_33816657的博客
03-17 1461
1、背景 GAN的提出缘起于Goodfellow庆祝他的一个朋友博士学习结束，酒后饭桌上大家提及想要“试图用...
Generative Adversarial Networks（生成对抗网络GAN，DCGAN）
nakaizura
03-13 2万+
Generative Adversarial Networks GAN的想法很简单，一言以蔽之：以假乱真。 Generative（生成）：GAN实际上可以看作是一个生成数据的工具。目标就是通过学习让自身生成更加真实的数据。 Adversarial （对抗）：既然能够以假乱真，对抗的自然就是识别真假的警察了。 所以GAN 主要包括了两个部分： 生成器 （Generator ）：生成器努力使生成的图像...
GAN（Generative Adversarial Networks）是什么
05-16
GAN (Generative Adversarial Networks) 是一种深度学习模型，由两个神经网络组成：生成器和判别器。生成器试图生成逼真的数据，而判别器则尝试区分生成的数据与真实的数据。两个网络相互对抗，并通过反向传播算法...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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