GAN学习笔记-李宏毅：GAN Lecture 2 (2018): Conditional Generation

最新推荐文章于 2022-11-13 11:17:40 发布
最新推荐文章于 2022-11-13 11:17:40 发布
阅读量429 收藏 3
点赞数
分类专栏： 阅读笔记 深度学习 文章标签： 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/qq_31895943/article/details/85259016
版权

李宏毅老师讲解的GAN Lecture 2 (2018): Conditional Generation

Conditional Generation: 可以操控要输出的内容，如输入文字产生图片(Text to image)
Discriminator 不能只看Generator的output，必须同时看Generator的input和output

  • Text to image
    1）traditional supervised approach：训练数据是text+image，model产生出的图片都比较模糊，因为是多张image的平均
    2）Conditional GAN-Discriminator接收一个pair，有两种情况都应该给低分：real text + real other image、real text + generated image；只有real text +real image 给高分
最低0.47元/天 解锁文章
ahigan
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
李宏毅老师《机器学习》课程笔记-6 GAN
宁萌Julie的博客
06-16 1140
介绍GAN(Generative Adversarial Model)。
ML2017-笔记：李宏毅机器学习2017个人笔记
02-03
《李宏毅机器学习2017个人笔记》是一份详尽记录了2017年李宏毅教授机器学习课程精髓的笔记资料。这份笔记以其深入浅出的讲解方式和丰富的实例，成为了学习者探索机器学习领域的宝贵资源。笔记采用LaTeX排版，结构...
关于李宏毅GAN课程的一些笔记
weixin_43463276的博客
06-22 164
这里只记录一些看完1-4课后，被解决的困惑们。 一、为什么使用GAN GAN有生成器G和判别器D。 能不能只用生成器？ 可以，但是需要的网络更大更深。 能不能只用判别器？ 可以，但最终生成的结果可能会很模糊。 二、条件GAN 比如有一些文本描述，辅助生成图像。 三、数学理论 需要注意的一些小细节。 G就是为了让生成数据的分布和真实数据分布是一致的，例如真实数据是一些图像，世界上所有的图像组成一个高维的空间，真实的图像只占其中一部分，我们假设它们是满足某个分布PdataP_{data}Pdata​的，所
GAN 李宏毅 课程笔记（一）
hn_lgc的专栏
09-01 417
Generator 不用想得太复杂，就是一个函数。函数的形式可以是NN。 输入一个向量，这个向量可以看成一个控制向量，用向量中的元素表示生成对象的属性。生成对象可以是不同的东西，图片矩阵，文字序列都可以，需要具体控制。 这可以弄出一个有趣的应用，通过改变输入向量，生成人脸渐变的中间图像。 比如用向量中的第一个元素表示头发的长度，导数第二个表示头发的颜色。 一样的，判别器也可以看成一个函数，可以是NN。它的输入是前面生成的对象，比如一张图片。输入是一个数字，就是生成对象的逼真程度，符合程度。 GAN的原
李宏毅机器学习GAN的笔记
XiaoQiXiaoWei_J的博客
01-27 2871
搜索网页以及视频，对GAN的笔记，仅供参考，加入了很多自己的理解
李宏毅GAN学习笔记（二）
qq_43751506的博客
04-29 210
假如没有判别器的时候，其实也可以做到图像生成，这就是自动编码器，首先输入图像，然后经过一个网络训练输出一个向量，这就是编码。然后再训练一个网络，他可以根据生成的编码还原出真实图像，而我们训练的目标就是还原图像和原图像尽可能接近，这个过程就是解码。而这个Decoder，其实就是一个生成器。 自动编码器却存在一些问题，例如一个向左的1的编码和一个向右的1的编码取平均并不一定是一个正的1，因为神经网...
台大-李宏毅-B站机器学习视频-课件.zip
09-30
台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器...
leedeeprl-notes:李宏毅《深度强化学习》笔记，在线阅读地址：https
03-18
李宏毅深度强化学习笔记（LeeDeepRL-注意事项）李宏幽默老师的《深度强化学习》是强化学习领域经典的中文视频之一。李老师幽默风趣的上课风格让晦涩难懂的强化学习理论变得轻松易懂，他会通过很多有趣的例子例证解...
leeml-notes：李宏毅《机器学习》笔记，在线阅读地址：https：datawhalechina.github.ioleeml-notes
02-03
leeml-notes：李宏毅《机器学习》笔记，在线阅读地址：https：datawhalechina.github.ioleeml-notes
李宏毅深度学习GAN课程PPT
06-08
通过学习李宏毅教授的深度学习GAN课程，你可以系统地掌握生成式对抗网络的核心概念，进一步提升在深度学习领域的理论知识和实践技能。无论是对学术研究还是工业界应用，这都将是一份宝贵的参考资料。
李宏毅GAN对抗生成网络2018最新ppt全套
08-17
李宏毅GAN对抗生成网络2018最新ppt全套,内容非常详细，结合视频一起学习，将大有裨益
李宏毅 -生成对抗网络GAN课件 234页
11-30
李宏毅 -生成对抗网络GAN课件 234页 李宏毅 -生成对抗网络GAN课件 234页
李宏毅GAN学习笔记（02）
RookieFCB的专栏
03-30 405
GAN Lecture 2 Conditional Generation by GAN Algorithm In each traing iteration: Sample m positive examples {(c1,x1),(c2,x2),…,(cm,xm)}\{(c^1, x^1), (c^2, x^2), \dots, (c^m, x^m)\}{(c1,x1),(c2,x2),…...
P11机器学习--李宏毅笔记GAN（对抗生成网络）
最新发布
u013373155的博客
11-13 1087
GAN的基本概念 GAN的训练方法 训练GAN的目标 Model Collapse Model Dropping 计算多样性 Conditional GAN Condtitional GAN+Supervised learing cycle Gan
李宏毅机器学习笔记：GAN
qq_43711697的博客
08-30 4754
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
【学习笔记-李宏毅】GAN（生成对抗网络）全系列（一）
zhaohongfei_358的博客
07-06 2721
前言 相关链接 1. Introduction 1. 1 Basic Idea of GAN 1.2 GAN as structured learning 1.3 Generator可以自己学吗？ VAE（Variational Auto-encoder） 2. CGAN, Conditional Generation by GAN 2.1 discriminator的架构改进 2.2 Stack GAN 2.3 Image-to-image 2.4 Speech Enhancement（提升语音的质量）
李宏毅机器学习笔记-GAN
nousefully的博客
08-18 574
无
GAN的原理（李宏毅GAN笔记）
chengsilin666的博客
07-15 2074
我们通常用GAN来做Gerneration。 对于一张图片x，其通常分布在高维空间中的一个流行上。在下图中，位于蓝色区域的点仅有很大的概率出现在我们的database中。 那么图像生成的主要任务是什么呢？ 给定义原始数据的分布，再给定一个以作为参数的概率模型,该模型可以由generator学习得到。我们希望的，便是找到相应的参数，使得原始数据集中的样本x在由G所定义的概率分布中出现的概率...
李宏毅2021机器学习笔记——GAN
Alex_SCY的博客
08-06 1103
GAN_P1 Generation Network as Generator 接下来要进入一个,新的主题 我们要讲生成这件事情 到目前為止大家学到的network,都是一个function,你给他一个X就可以输出一个Y 我们已经学到各式各样的,network架构,可以处理不同的X 不同的Y 我们学到输入的X 如果是一张图片的时候怎麼办 如果是一个sequence的时候怎麼办 我们也学到输出的Y 可以是一个数值 可以是一个类别 也可以是一个sequence 接下来我们要进入一个新的主题,这个新的主题

“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