[学习笔记-深度学习篇]生成式对抗网络

最新推荐文章于 2024-05-31 16:14:40 发布
最新推荐文章于 2024-05-31 16:14:40 发布
阅读量121 收藏
点赞数
分类专栏： 深度学习篇 文章标签： 深度学习
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/warningm_dm/article/details/118195773
版权

之前对深度学习也有一些浅层了解，也对一些简单的模型做过训练，不过没有深入，有点可惜，后面找机会整理一下。

生成式对抗网络，看到了稍微整理一下。

生成式对抗网络中含有2种模型，生成模型和判别模型，整个工作过程简单来说就是：生成模型不断生成图片，判别模型不断判断区分，如此往复的博弈过程，直到判别模型无法区分生成的图片与真实图片，对抗过程就结束。

参考
到底什么是生成式对抗网络GAN？

warningm_dm
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
GAN生成对抗网络学习笔记
2301_77799531的博客
05-16 147
（Generative Adversarial Network）对抗神经网络是一种，由一对神经网络组成：生成器和判别器。生成器的目的是学习生成数据的分布，它将随机噪声作为输入并生成与真实数据相似的输出。判别器的目的是学习将生成器生成的数据与真实数据区分开来。生成器和判别器在训练过程中相互对抗，生成器尝试生成越来越真实的数据来欺骗判别器，而判别器尝试识别哪些数据是真实的哪些是生成的。
2021版吴恩达深度学习课程笔记-神经网络
11-16
平板手写，课程见B站（https://www.bilibili.com/video/BV12E411a7Xn?p=1）
深度学习（4）---生成式对抗网络(GAN)
m0_62881487的博客
10-29 2005
生成式对抗网络（Generative Adversarial Network，GAN）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。它启发自博弈论中的二人零和博弈（two-player game），两位博弈方分别由生成模型（generative model）和判别模型（discriminative model）充当。判别模型用于判断一个给定的图片是不是真实的图片（从数据集中获取的图片），生成模型的任务是去创造一个看起来像真的图片一样的图片。两个模型一起对抗训练。
《深度学习》------生成对抗网络（GAN）学习笔记
Naruto_8的博客
01-21 4073
1.生成对抗网络的（GAN）的原理 GAN的思想：一种二人零和博弈思想（two-player game），博弈双方的利益之和是一个常数。 就像电影《猫鼠游戏》，生成网络G可以被看做是假支票的制造者，他们试图制造假支票并且在不被发现的情况下使用，而辨别网络类似于警察，他们试图检测假支票。这个游戏中的竞争促使两个团队改进他们的方法， 生成对抗网路（GAN）分为两个部分：生成网络G（Generator）和判别网络D（Disciminator） （1）生成网络G：生成器，负责生成假数据 （2）辨别网络D：辨
【深度学习】李宏毅2021/2022春深度学习课程笔记 - Generative Adversarial Network 生成式对抗网络（GAN）
热门推荐
知不足而奋进，望远山而前行
11-10 2万+
下面是小精灵游戏画面，有很多小精灵在“迷宫”里走动。现给出一个需求，需要通过当前的游戏画面，预测下一帧的画面传统神经网络的做法是，将前面一帧或几帧的画面图片作为特征，当前画面图片作为标签进行训练，目的是使得通过历史画面，输出的画面和当前画面越接近越好。有人按照这样的思路做了，结果出现了一个问题，小精灵在走到岔路口时，会一分为二，分裂成两个小精灵，这是为什么呢？这是因为在岔路口时，即使是同样的历史画面，小精灵也有可能向左走或者向右走，所以在训练集里，很存在这样“矛盾”的标签，即同样的特征，但是输出不同，为了满
[深度学习初识 - 实操笔记] GAN生成式对抗网络-动漫人脸生成
iamfishman
05-10 2716
生成对抗神经网络 1. 流派:GAN、FLOW流、VAE、pixeLCM、pixeLRM 2.GAN（无监督） （1）判别网络 用神经网络充当loss。即判别器获取输入图片（随机分布生成）和真实图片对比，利用反向传播算法使随机生成图片逼近真实图片。 （2）生成网络 第一次固定权重，按随机分布生成图片，放入判别器。生成的图片服从分布。 （3）训练目标 判别器训练：判别生成图片和真实图片的真假越来越准确。 生成器训练：生成的图片，使得判别器判别不出真假。 判别器和生成器对抗式训练。 判别器和生成器一开始不能够太
[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 1271
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？...
P11机器学习--李宏毅笔记GAN（对抗生成网络）
u013373155的博客
11-13 1065
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
深度学习 - 深度生成网络
qq_40671063的博客
05-12 1409
hopfield、 玻尔兹曼机、受限玻尔兹曼机、深度玻尔兹曼机、对比散度训练、深度信念网络、自编码器、降噪自编码器、稀疏自编码器、栈式自编码器
深度学习笔记8 GAN生成对抗网络
xuyifancsdn的博客
08-24 1443
Tensorflow深度学习笔记8 GAN欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果
BEAWebLogicWorkshop8.1学习笔记之一－－　准备篇
02-04
火龙果软件工程技术中心 前言本文作者用BEAWebLogicWorkshop做了一个简单的EJB的开发的例子，并对该例子做了一些Web应用方面的拓展，力图通过这些使用流程教会读者能够上手使用BEAWebLogicWorkshop。...
go学习笔记-文档-文档
07-21
go学习笔记-文档
学习笔记-能量生成模型EBGAN2
08-04
先在第三节构建更完备的理论基础，然后再在第四节求解 H(x)。3.EBM 的理论分析回到最开始生成模型在探讨的问题上：我们有一批数据 x1, x2, … , x
吴恩达-深度学习-个人笔记完整版
01-12
根据吴恩达深度学习视频（新版、老版结合）所做笔记，内容包含了视频所讲全部知识点，并且记录了很多自己的理解，以及对于部分知识进行了补充。压缩包中包括了markdown和pdf两个版本。
[数据集][目标检测]伤口检测数据集VOC+YOLO格式2760张1类别
FL1623863129的博客
05-27 396
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。重要说明：大部分是脚本伤口，也有一小部分是其他部分伤口。图片数量(jpg文件个数)：2760。标注数量(xml文件个数)：2760。标注数量(txt文件个数)：2760。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
遥感图像的深度学习的任务类型
最新发布
weixin_42605076的博客
05-31 305
遥感图像的深度学习任务涉及广泛的应用领域和技术方法，通过使用卷积神经网络（CNN）、生成对抗网络（GAN）等先进的深度学习模型，能够有效提升遥感数据的处理和分析能力，支持各类环境监测、资源管理、灾害应对等实际需求。
深度学习中点云在预处理时的增强策略
weixin_42605076的博客
05-29 374
点云数据增强策略在深度学习中具有重要意义，通过这些增强手段，可以有效提升模型的泛化能力和鲁棒性。在具体应用中，通常会组合多种增强策略，以形成一个丰富且多样化的训练数据集，从而提高模型在实际场景中的表现。
PyTorch训练关键点
u012374012的专栏
05-28 651
image = cv2.imread(self.image_filenames[index], 0) # 以灰色模式读取图像。# 遍历 XML 数据:root[2] 表示 XML 中的第三个元素，即 部分，其中包含了每张图像的标注信息。# 将关键点坐标中心化：简化旋转变换的计算，同时确保关键点的变换和图像变换的对应关系。# 对图像进行旋转：相比于 PIL 的图像旋转计算开销更小。# 将图像从数组转换为 PIL 图像对象。# 对关键点坐标进行裁剪后的调整。# 获取裁剪后的图像形状。
群体遗传学习笔记-基础篇
06-12
群体遗传学是研究整个种群基因组的遗传变异和演化的学科，它是遗传学领域的重要分支之一。下面是关于群体遗传学的基础知识： 1. 群体遗传学的研究对象是整个种群，而非个体。 2. 群体遗传学的主要研究内容包括基因...

“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 2
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