【人工智能学习笔记】4_4 深度学习基础之生成对抗网络

于 2024-09-10 17:45:45 发布
阅读量307 收藏
点赞数 3
分类专栏： 人工智能基础 文章标签： 人工智能 深度学习 学习
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_44894943/article/details/142101895
版权

生成对抗网络（Generative Adversarial Network, GAN）

一种深度学习模型，通过判别模型（Discriminative Model）和生成模型（Generative Model）的相互博弈学习，生成接近真实数据的数据分布或对输入数据进行分类；近年来复杂分布上无监督学习最具前景的方法之一。
在这里插入图片描述

判别模型（左）和生成模型（右）

生成对抗网络结构

  • 生成器
    在给定输入数据时，理解输入，生成类似的输出
  • 判别器
    在给定输入数据时，将输入数据正确的分类
    在这里插入图片描述
生成对抗网络应用示例

在这里插入图片描述

生成对抗网络工作流程，N轮迭代，直至判别器分辨不出样本是生成的还是真实的

生成对抗网络应用实例

在这里插入图片描述

生成对抗网络生成图片

生成对抗网络对比

  • 传统神经网络
    • 根据输入数据的特征，预测输入数据的标签
    • 一个神经网络是一个训练模型
    • 网络训练时，依赖输入数据样本更新梯度参数
      在这里插入图片描述
  • 生成对抗网络
    • 根据输入数据的标签，生成接近真实的输入分布；
    • 一个网络包含生成器和判别器两个模型；
    • 网络训练时，生成器模型梯度更新依赖与判别器模型
    • 生成器和判别器可以是CNN、RNN神经网络
      在这里插入图片描述

生成对抗神经网络类别

加粗样式

生成对抗网络的应用场景

在这里插入图片描述

RIKI_1
关注
  • 3
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【深度学习】生成对抗网络Generative Adversarial Nets
gongdiwudu的专栏
07-29 6535
本文是GAN网络的原始论文，发表于2014年，我们知道，对抗网络是深度学习中，CNN基础上的一大进步； 它最大的好处是，让网络摆脱训练成“死模型”到固定场所处去应用，而是对于变化的场景，网络有一个自己的策略； 这是非常值得研究的课题。 本文记录了原始论文，作为长期参考系保存。
05_基于DCGAN的图像生成实战之生成对抗网络（GAN）理论基础
在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。 在腾飞开源的博客上，你会看到紧跟技术前
06-11 591
GAN的原理很简单，它包括两个网络，一个生成网络，不断生成数据分布。上图是原理展示，黑色虚线是真实分布，绿色实线是生成模型的学习过程，蓝色虚线是判别模型的学习过程，两者相互对抗，共同学习到最优状态。与cgan类似，infogan【5】将噪声z进行了拆解，一是不可压缩的噪声z，二是可解释的隐变量c，可以认为infogan就是无监督的cgan，这样能够约束c与生成数据之间的关系，控制一些属性，比如旋转等。D是判别器，它的学习目标，是最大化上面的式子，而G是生成器，它的学习目标，是最小化上面的式子。
【深度学习笔记】基于自注意力ConvLSTM与生成对抗网络的台风云图预测
lionel1233的博客
07-13 1762
结合LSTM与GAN(生成对抗网络)，预测未来时刻的台风图像
[李宏毅老师深度学习视频] 生成式对抗网络(GAN)【持续更新】
Bessie_Lee
08-26 1416
在李宏毅老师的视频中，并没有一开始就讲解什么是GAN，他先引入一个问题，为什么会有生成式对抗网络呢？他采用了一个小游戏进行介绍。游戏说明：一个小精灵可以从一个出发点出发到任意画面的位置去，我们根据小精灵的到达位置去训练一个network模型，从而预测到小精灵的位置。然而，出现了一个很离谱的画面：小精灵在转弯的时候居然分裂成了两个，还带上了虚影（？？这是什么离谱位置，转弯不成，直接分裂人物？？）为什么会有这种分裂的问题出现呢？...
【计算机视觉|生成对抗】用深度卷积生成对抗网络进行无监督表示学习（DCGAN）
远
08-12 1632
近年来，卷积网络（CNNs）的监督学习在计算机视觉应用中得到了广泛的应用。相比之下，CNNs的无监督学习受到的关注较少。在这项工作中，我们希望弥补CNNs在监督学习和无监督学习之间的差距。我们引入了一类称为深度卷积生成对抗网络（DCGANs）的CNNs，它们具有某些架构约束，并证明它们是无监督学习的有力候选者。在各种图像数据集上的训练中，我们展示了有说服力的证据，证明我们的深度卷积对抗对从对象部分到场景在生成器和鉴别器中都学到了表示的层次结构。
人工智能基础课【学习笔记】31 深度学习框架下的神经网络 | 左右互搏：生成式对抗网络
Eleven_Whats的博客
06-15 486
没有坚实的理论基础，对算法的推广自然存在困难。生成式对抗网络是没有显式的损失函数的，之所以这么说是因为它训练的目标是生成器，判别器只是训练过程中的副产品。2016 年 10 月，谷歌大脑的研究者们做了一个有趣的实验：使用三个并不复杂的神经网络执行保密通信的任务，两个合法通信方共享的只有保密的密钥，而没有商定的加解密算法，第三个神经网络则作为窃听者出现。实验的结果同样令人惊讶：经过不断的试错与调整，接收方可以精确恢复出发送方的明文，而窃听者的错误率稳定在 50% 左右，意味着她的破译只是随机的猜测。
人工智能|深度学习——基于对抗网络的室内定位系统
也许有一天我们再相逢 睁开眼睛看清楚 我才是英雄！
02-19 2082
基于对抗网络的室内定位系统
AI大模型学习笔记之生成式人工智能（AIGC）是如何工作的？
2301_82275412的博客
07-22 636
OpenAI 发布 ChatGPT 已经1年多了，生成式人工智能（AIGC）也已经广为人知，我们常常津津乐道于 ChatGPT 和 Claude 这样的人工智能系统能够神奇地生成文本与我们对话，并且能够记忆上下文情境。Midjunery和DALL·E 这样的AI绘图软件可以通过Prompt 输入文本提示生成多张令人惊艳的美图，看起来相当神奇。但是，你有没有想过，生成式人工智能（AIGC）究竟是怎么运作的呢？
深度学习GAN生成对抗网络入门--李宏毅网课笔记
qq_43426078的博客
03-03 545
Class one GAN网络基本思想 由生成模型（generator）和判别模型（discriminator）组成。 generator接收输入向量，输出图片或文字。 discriminator接收输入的图片或文字，输出scalar，scalar越大说明输入越真实。 算法过程 fix generator ,and update discriminator D： 标记database中的图像为1，generated objects为0来训练D。使得判别模型能够给实际对象较高的分数，而给生成对象较低的分数。
deeplearning_ai_books_深度学习_ai_学习资料_
09-29
《深度学习》是人工智能领域的一本重要教材，由著名学者吴恩达教授倾力打造，旨在帮助学习者理解和掌握深度学习的核心概念和技术。这组学习资料包含文字教材、视频讲解、图片示例以及学习笔记，构成了一套全方位的...
深度学习系统笔记，包含深度学习数学基础知识、神经网络基础部件详解、深度学习炼丹策略、模型压缩算法详解等.zip
12-18
深度学习是现代人工智能领域的重要分支，它通过模拟人脑神经网络的工作原理，处理复杂的数据问题。这份"深度学习系统笔记"涵盖了多个关键知识点，旨在帮助读者深入理解和掌握这一技术。 首先，深度学习数学基础知识...
万门大学-人工智能实战与应用学习笔记.zip
03-09
《万门大学-人工智能实战与应用学习笔记》是一份涵盖了人工智能、深度学习等多个领域的综合性学习资料，旨在帮助学习者从理论到实践全方位掌握人工智能技术。这份压缩包包含两部分核心内容：人工智能实战与应用的...
【提效工具】AI工作流的1-10个实际落地场景
万物皆有灵
09-09 454
在这个快速发展的数字时代，人工智能（AI）正在以惊人的速度改变我们的工作方式。无论你是开发者、教育工作者还是内容创作者，AI工作流提示词助手都能为你提供无与伦比的支持。今天，我们将深入探讨，20个实际落地场景，帮助你更好地理解如何利用这些工具提升工作效率和创造力。💡。
Behind the Code：与 Rakic 和 Todorovic 对话 OriginTrail 如何实现 AI 去中心化
CryptoBuffett的博客
09-05 1484
它可以以去中心化的方式访问不同来源的知识资产，同时维护数据所有权和知识产权，并且提供可验证性，从而精确确定某个知识资产的来源，并将其作为 AI 的输入。迄今为止，平行链的运行非常顺利，没有出现停机现象，拥有独立的治理结构和所有可用的 Pallet，这是 Polkadot 从一开始就做对的地方。另一方面是 “知识网络” 的概念，这一概念最早由万维网的创始人蒂姆·伯纳斯·李提出，他也是 “Web 3.0” 这一术语的最初提出者，该术语最初被称为 “语义网”，如今则体现在知识图谱的概念中。
基于人工智能的音乐情感分类系统
stm32d1219的博客
09-06 833
音乐作为一种强烈的情感表达方式，不同的音调、节奏和和声传递着不同的情感信息。通过人工智能技术，能够自动识别音乐中的情感，为用户提供个性化的音乐推荐或情感分析服务。通过使用MFCC特征提取与神经网络分类算法，音乐情感分类系统可以有效地分析音乐中的情感信息，并根据不同情感对音乐进行分类。随着深度学习技术的进一步发展，音乐情感分类系统的准确性和应用范围将得到进一步提升。音乐情感分类是通过对音乐音频信号进行分析，识别出音乐传递的情感，如“愉快”、“悲伤”、“愤怒”等。问题讨论，人工智能的资料领取可以私信！
第九届“创客中国”生成式人工智能（AIGC）中小企业创新创业大赛圆满落幕
luojiezong的博客
09-09 341
江西省工业和信息化厅党组成员、副厅长郭启东表示,“创客中国”始终秉持“围绕产业链,部署创新链,配置资金链,培育人才链”的宗旨,为中小企业和创客搭建了广阔平台。江西深刻认识到以人工智能为代表的产业变革的发展方向,努力推动人工智能等先进产业加速发展,以本次大赛为契机,优化创新生态,强化政策引导,加强人才培养,深化国际合作,加大对中小企业创新发展的支持力度,营造更加开放包容的创新环境,推动中小企业创新发展。南昌市委常委、市委秘书长、办公室主任赵捷;经过初赛、复赛的严格筛选,21个杰出项目脱颖而出,荣获赛事奖项。
图神经网络（2）预备知识
m0_63860007的博客
09-07 696
对于接触过数据结构和算法的读者来说，图并不是一个陌生的概念。如果图里的边不仅表示连接关系，而且具有表示连接强弱的权重，则这个。从图的某个顶点出发，沿着图中的边访问每个顶点且只访问一次，这叫作。在图上模拟一个热扩散的过程，φ(t)是图上每个顶点的热量分布，热量传播。如果一个图的每个边都有一个方向，则称这个图为有向图。图的同构指的是两个图完全等价。很显然，这个大于等于0的，所以L是半正定的。拉普拉斯矩阵的另一个重要作用是作为图上的离散拉普拉斯算子。然地，我们把拉普拉斯算子的特征函数换成拉普拉斯矩阵的特征。
深度学习算法，该如何深入，举例说明
最新发布
liyy614的博客
09-10 416
深度学习算法的深入学习可以从理论和实践两个方面进行。理论上，深入理解深度学习需要掌握数学基础（如线性代数、概率论、微积分）、机器学习基础和深度学习框架原理。实践上，可以通过实现和优化深度学习模型来提升技能。
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