![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
对抗网络
Madname
这个作者很懒,什么都没留下…
展开
-
DCGAN
上一篇介绍了GAN 的基本原理以及相关的概念和知识点,同时也反映出GAN 的一些缺点,比如说训练不稳定,生成过程不可控,不具备可解释性等。这一篇就来看看GAN 的改进版之一,DCGAN(Deep Convolutional GAN)。 1. 相比于GAN 的改进 DCGAN 相比于GAN 或者是普通CNN 的改进包含以下几个方面: (1)使用卷积和去卷积替换池化,即将pooling层convolu...原创 2019-11-19 16:45:54 · 1123 阅读 · 2 评论 -
SimpleGan
上篇的全部代码 import argparse import numpy as np from scipy.stats import norm import tensorflow as tf import matplotlib.pyplot as plt from matplotlib import animation import seaborn as sns sns.set(color_co...原创 2019-11-17 13:45:59 · 266 阅读 · 0 评论 -
构造G和D网络
一、建立生成模型 with tf.variable_scope('Gen'): # 伪造数据的生成 self.z = tf.placeholder(tf.float32, shape=(self.batch_size, 1)) self.G = generator(self.z, self.mlp_hidden...原创 2019-11-17 12:06:32 · 821 阅读 · 0 评论 -
D_pre
一、构建D和G D是判别网络,有两个输入:希望判别fake输出为0,real输出为1. G(x),x表示噪音的数据,噪音的数据先通过G的网络进行生成,然后放入D,让判别网络来判别生成的数据为真还是假。x^表示真实输入为real。 G为生成网络,首先由一个噪音的输入,没有任何规则,希望G网络通过一系列的参数,比如说θ,将x生成为G(x),G(x)能够与real数据越接近越好 二、D_pre D网络...原创 2019-11-17 11:29:50 · 588 阅读 · 0 评论 -
生成对抗网络原理
基本思想 假设有一种概率分布M,它相对于我们是一个黑盒子。为了了解这个黑盒子中的东西是什么,我们构建了两个东西G和D,G是另一种我们完全知道的概率分布,D用来区分一个事件是由黑盒子中那个不知道的东西产生的还是由我们自己设的G产生的。 不断的调整G和D,直到D不能把事件区分出来为止。在调整过程中,需要: 1、优化G,使它尽可能的让D混淆。 2、优化D,使它尽可能的能区分出假冒的东西。 当D无法区分出...原创 2019-11-16 19:59:34 · 537 阅读 · 0 评论