BEGAN（Boundary Equilibrium GenerativeAdversarial Networks）-pyTorch实现

最新推荐文章于 2022-04-06 17:49:19 发布
最新推荐文章于 2022-04-06 17:49:19 发布
阅读量1.7k 收藏 9
点赞数 2
分类专栏： 深度学习 GAN 图像生成
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/weixin_42386880/article/details/86766329
版权

前言

近期对GAN做了些了解，目前GAN除了DCGAN，还有WGAN,WGAN-GP, LSGAN, EBGAN,BEGAN这些，简单了解了下，大多数涉及到数学的，我都没看懂，WGAN从很理论的角度提出了一些改进，但是一些paper说他收敛速度还不如DCGAN，目前还没有全部仔细阅读相关paper。

BEGAN:Boundary Equilibrium GenerativeAdversarial Networks中的例子可以生成128*128大小的清晰人脸，所以打算先以BEGAN做一个简单的尝试。

之前写了一个DCGAN的tensorflow实现，这次就换pyTorch试试。目前github上很多项目都是以pyTorch写的，了解一下有利于后续阅读大神的代码。tensorflow的api的确有些臃肿，在用的时候往往不知道该用哪个api。解决办法只有唯一一种最佳实现方式这样感觉学习起来会更容易一些，不会花太多时间在了解不同方法之间的异同比较上，能更集中精力做需要学习的事，毕竟越来越觉得时间不容易把握，分心的事情太多。

所以这次参考pyTorch官方DCGAN教程改写了一个BEGAN的实现，主要目的是熟悉一下pyTorch. pyTorch的tutorial做得真不错，描述很详细清晰，每一步的原因逻辑也很清晰。

paper原理和细节

优点

贡献点如下

  • 简单但鲁棒的GAN结构，快速稳定收敛
  • 提出一种均衡概念来平衡discriminator和generator
  • 提出一种新的方式来平衡生成图像的视觉质量和样本的多样性
  • 有一个可以标示收敛性的指标，除了WGAN以外第二个有此特性的GAN.

数学相关

作为一个数学学渣，这部分没看太懂，后续看懂了的话再补充。

网络架构

网络架构比较简单，一个encoder,一个是decoder

  • generator和decoder的结构一样
  • dicriminator则是encoder+decoder，输入是图片，输出也是一样大小的图片
  • 每个卷积层后的激活函数是ELU
    在这里插入图片描述

损失函数

BEGAN的Discriminator的结构是比较特别的，其他的GAN的Disciminator出来的往往是输入样本是否为真样本的概率，而BEGAN则引入autoencoder到d里面，D输出的是和输入一样大小的一张图片，其损失函数为输入数据 x x x和经过D(x)之后输出的图像之间

最低0.47元/天 解锁文章
闹中取静思
关注
  • 2
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
python tqdm pytorch_BEGAN的PyTorch实现
weixin_30585729的博客
02-09 432
BEGAN in PyTorchThis project is still in progress. If you are looking for the working code, use BEGAN-tensorflow.RequirementsPython 2.7requests (Only used for downloading CelebA dataset)TensorFlow (On...
BEGAN-pyTorch实现
02-05
自己写的BEGAN（Boundary Equilibrium GenerativeAdversarial Networks）的pyTorch实现. 有错误可以联系我改正。
【AI每日播报】PyTorch开源
qunnie_yi的博客
01-19 368
【AI每日播报】每日早8点为您搜罗24小时内AI圈新鲜要闻，涵盖从资讯到声音、从论文到活动的全方位AI消息。CSDN AI周刊也已全面开启：订阅请点击这里。本期周刊：【CSDN AI 周刊】No. 007 | SIGIR 2016信息检索精选论文以下为今日要闻：资讯PyTorch开源@新智元从此用 Torch GPU 训练神经网络也可以写 Python 了。对于 PyTorch （Github P...
09.BEGAN（Boundary Equilibrium Generative Adversarial Networks）
weixin_44177594的博客
04-13 456
BEGAN摘要1.introduction2.method损失函数pixel-wiswthe lossesboundary equilibrium GAN网络结构结果 摘要 我们提出了一种新的均衡执行方法，并结合从wasserstein距离得到的损失来训练基于自动编码器的生成对抗网络。 它提供了一种新的近似收敛测度; 我们还推导出了一种控制图像多样性和视觉质量之间的权衡的方法。 使用一个相对简单的模型架构和一个标准的培训程序。 1.introduction point：去估计分布的分布误差之间的相似度而不是
BEGAN: Boundary Equilibrium Generative Adversarial Networks的理解
StreamRock的专栏
07-13 1745
BEGAN: Boundary Equilibrium Generative Adversarial Networks的理解 这是一篇2017年5月上传到arXiv上的文章，作者是David Berthelot，来自Google。Boundary Equilibrium译作“边界均衡”，文章创新的地方主要有以下几个地方： 应用auto-encoder实现Discriminator Discr...
pytorch-generative-adversarial-networks：PyTorch中一个非常简单的生成式对抗网络（GAN）
02-04
PyTorch中的生成对抗网络（GAN） 介绍 有关相关博文，请参阅 。 跑步 通过键入以下代码来运行示例代码： ./gan_pytorch.py ...然后您将训练两个网络，以按偏移/缩放的高斯分布进行对抗。 “假”分发应在合理时间内匹配“真实”分发。
Decision-based-Attacks-PyTorch:基于决策的攻击PyTorch实现
03-13
本项目"Decision-based-Attacks-PyTorch"便提供了用PyTorch实现的这种攻击方式。 首先，我们需要了解决策导向型攻击的基本原理。在传统的基于梯度的攻击中，如FGSM（Fast Gradient Sign Method）或PGD（Projected ...
boundary-iou-api:边界IoU API（测试版）
04-01
多拉尔，亚历山大·C·伯格，亚历山大·基里洛夫[ ] [ ] [ ] 该API是Boundary IoU的实验版本，可用于5个数据集：要安装Boundary IoU API，请运行： pip install git+https://github.com/bowenc0221/boundary-...
用C语言编写multipart/form-data实现上传文件
02-26
本话题聚焦于使用C语言实现一个不依赖于curl等外部库的multipart/form-data文件上传功能。multipart/form-data是一种HTTP协议中用于处理多部分数据的格式，通常用于上传文件。 在C语言中实现这个功能需要理解HTTP...
boundary数据解析
09-19
4. **处理结束边界**：处理完所有部分后，最后一个边界可能带有一个特殊的终止标记，如两个连续的边界字符串，`--boundary--`，表示数据的结束。 代码示例（以Python为例）： ```python import io from email....
DCGAN-pytorch实现 带数据集和说明文件
01-07
用pytorch实现的DCGAN，代码结构清晰，附有说明文件和数据集下载地址。并有结果图片。下载后请先查看 readme.md文件
pytorch-wgan:DCGAN，WGAN-CP，WGAN-GP的Pytorch实现
05-04
GAN模型的Pytorch代码 这是使用相同的卷积架构的3种不同GAN模型的pytorch实现。 DCGAN（深度卷积GAN） WGAN-CP（使用重量修剪的Wasserstein GAN） WGAN-GP（使用梯度罚分的Wasserstein GAN） 依存关系 突出的软件包是： 麻木 scikit学习 张量流2.0 pytorch 1.6.0 火炬视觉0.7.0 要快速轻松地安装所有依赖项，您应该使用pip pip install - r requirements . txt 训练 在Fashion-MNIST数据集上运行DCGAN模型的训练： python main.py --model DCGAN \ --is_train True \ --download True \ -
Pytorch-LSGAN-MNIST:LSGAN的Pytorch实现用于生成MNIST图像
04-02
派托奇-LSGAN-MNIST LSGAN的Pytorch实现用于生成MNIST图像。 要使用保存的模型生成图像，请将LOAD_MODEL设置为True，将EPOCHS设置为0。 生成的样本 MNIST 时尚MNIST
Python-DCGANLSGANWGANGPDRAGANPyTorch
08-09
DCGAN LSGAN WGAN-GP DRAGAN PyTorch
Generative_Adversarial_Networks_LS：用Pytorch编写的GAN
02-14
生成对抗网络 GAN的应用很多，但是在这里我将实现一些概念证明，以便更好地学习该网络的基础并使用Pytorch进行编码。 内容 1- GAN-MNIST：在MNIST数据集上使用线性层实现的GAN 优化程序判别器：Adam，学习率= 0.0002，β=（0.4，0.999）。 优化程序生成器：Adam，学习率= 0.0002，β=（0.4，0.999）。 标准：二元交叉熵 30纪元 2- GAN-CELEBA：受过训练的Generator在CELEBA数据集上使用它，已个性化以从GAN_GUI.py启动，DCGAN在< >上进行了解释
pytorch实现 wgan
刘文凯的博客
04-06 3295
在网上找了一个wgan的实现代码，在本地跑了以下，效果还可以，我把它封装成一个函数了，感兴趣的朋友可以用一下 不过这个gan生成的是一维数据，对于图片数据可能需要对代码进行一些改变 import numpy as np import pandas as pd import torch import torch.autograd as autograd import torch.nn as nn import torch.optim as optim torch.manual_seed(1) from skl
PyTorch实现WGAN
Swayzzu的博客
11-07 1043
目录 1.GAN简述 2.生成器模块 3.判别器模块 4.数据生成模块 5.判别器训练 6.生成器训练 7.结果可视化 1.GAN简述 在GAN中，有两个模型，一个是生成模型，用于生成样本，一个是判别模型，用于判断样本是真还是假。但由于在GAN中，使用的JS散度去计算损失值，很容易导致梯度弥散的情况，从而无法进行梯度下降更新参数，于是在WGAN中，引入了Wasserstein Distance，使得训练变得稳定。本文中我们以服从高斯分布的数据作为样本。 2.生成器模块 这里从.
pytorch生成网络WGAN-GP实例
热门推荐
东方佑
06-18 16万+
import torch from torch import nn, optim, autograd import numpy as np import visdom from torch.nn import functional as F from matplotlib import pyplot as plt import random h_dim = 400 bat...
pytorch实现DCGAN、pix2pix、DiscoGAN、CycleGAN、BEGAN以及VAE
weixin_30951231的博客
09-27 264
https://github.com/sunshineatnoon/Paper-Implementations 转载于:https://www.cnblogs.com/xueqiuqiu/p/7603728.html
multipart/form-data; boundary=----
最新发布
05-26
这是一个用于在HTTP请求中传输二进制数据的格式。这种格式的请求通常用于上传文件或图像等二进制数据。在这种格式中，请求正文被分成多个部分，每个部分包含一个头部和一个数据部分，头部包含了该部分的元数据，数据部分包含了实际的二进制数据。这些部分之间通过一个特定的分隔符进行分隔，这个分隔符就是boundary参数指定的字符串。例如，一个包含两个部分的multipart/form-data请求可能如下所示： ``` Content-Type: multipart/form-data; boundary=---- Content-Length: 12345 ----boundary Content-Disposition: form-data; name="file"; filename="example.png" Content-Type: image/png [Binary data for example.png] ----boundary Content-Disposition: form-data; name="text" Content-Type: text/plain Hello, world! ----boundary-- ``` 在这个例子中，请求正文被分成了两个部分，每个部分都以"----boundary"开头和结尾，中间包含了头部和数据部分。第一个部分是一个文件上传，包含了文件名、文件类型和二进制数据。第二个部分是一个普通的表单字段，包含了文本数据。
评论 4
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