李宏毅2020ML——P73 Conditional GAN

最新推荐文章于 2021-10-17 22:23:53 发布
最新推荐文章于 2021-10-17 22:23:53 发布
阅读量141 收藏
点赞数
分类专栏： 李宏毅2020ML 文章标签： 机器学习 人工智能 深度学习 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/weixin_44177594/article/details/115165473
版权

有条件的GAN

text to image

传统做法的问题在于会取得很多正确结果的平均，有些会很模糊，有些产生的并不正确。
在这里插入图片描述
引入GAN之后，我们在图片生成里面加入条件，也会有一些问题
在这里插入图片描述
因此，我们需要在判别器的input也加入条件
在这里插入图片描述
这个网络架构有两种
在这里插入图片描述
得到的实验结果
在这里插入图片描述

image to image

输入几何图片生成真实的图片
在这里插入图片描述
传统的做法，和text to image的传统做法错误类似
在这里插入图片描述
引入GAN的做法之后
在这里插入图片描述

Patch GAN

在判别的时候，当图片太大时，效率会很低，可以选择一块一块的进行判断，但是这个patch的大小也是很重要的
在这里插入图片描述

speech enhancement

同时GAN也可以用在语言上面去杂音

传统的做法
在这里插入图片描述
引入GAN之后
在这里插入图片描述

video generation

预测电影接下来会发生什么事情
在这里插入图片描述

小葵向前冲
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
GAN系列：李宏毅老师GAN课程P2+P3——Conditional GAN
lynlindasy的博客
02-23 2739
看这个课程的时候，有弹幕说P1后直接看P4，然后再看P2和P3，这个顺序确实更好一点。这部分主题是条件GAN(Conditional GAN)，所谓的条件就是我们对要生成的图片的要求和限制。之前生成器的输入是一个随机噪声向量，生成器根据向量产生任意的图像。在实际应用中，产生的图像一般是有特定限制的，比如要产生火车的图像，人脸的图像等。因此Conditional GAN更有实用价值。Conditio...
【李宏毅2020 ML/DL】P75 Generative Adversarial Network | Conditional GAN
记录学习痕迹的公众号：Piper蛋窝
08-07 717
介绍了 Conditional GAN 。思想是让 D 判断 G 生成的东西与输入信息是否匹配。
2020李宏毅机器学习笔记-Generative Adversarial Network - Conditional GAN
zn961018的博客
07-25 422
目录 摘要 1. Text-to-Image 1.1Traditional supervised approach 1.2Conditional GAN 1.3Conditional GAN - Discriminator 1.4Stack GAN 2.Image-to-image 2.1application 2.2Traditional supervised approach 2.3Conditional GAN 3.Speech Enhancemen...
李宏毅机器学习2020春季作业
caiMAMBA001的博客
04-23 272
参考自https://blog.csdn.net/qq_46126258/article/details/112468420?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-0&spm=1001.2101.3001.4242 第一次写机器学习的作业，基本上都是借鉴，但是也发现该博主在gradient descent 的 gradient和loss计算时的错误。 实验数据及jupyternotebook 代码 链接：http
李弘毅老师GAN笔记（二），Conditional GAN
热门推荐
taoyafan的博客
07-27 2万+
本文记录的是李弘毅老师的GAN的第二节课，bilibili视频链接为：https://www.bilibili.com/video/av24011528/?p=2，相关的课程课件链接为：http://speech.ee.ntu.edu.tw/~tlkagk/courses/MLDS_2018/Lecture/CGAN.pdf 目录 1 什么是 Condition GAN 2 Cond...
李宏毅2020机器学习作业2——Classification
01-21
开始之前声明：本文参考了李宏毅机器学习作业说明（需翻墙），基本上是将代码复现了一遍，说明中用的是google colab（由谷歌提供的免费的云平台），我用的是Jupyter Notebook 本文用到的资料在百度网盘自取点击下载...
视频学习笔记——李宏毅机器学习——P1，2
最新发布
09-12
【机器学习介绍】 机器学习是计算机科学的一个分支，它的核心目标是使计算机系统具备自我学习的能力，从而在没有明确编程的情况下改善其性能。这源于人类的学习潜能，只不过在这里，我们试图通过算法和统计模型来...
李宏毅 2020 ML Homework 2 - Classification-数据集
03-25
《李宏毅2020年机器学习作业2——分类数据集详解》 在这个数据集中，我们关注的是李宏毅教授在2020年开设的机器学习课程中的第二个作业，主题是“分类”。分类是机器学习领域的一个基础任务，其目标是根据输入特征...
李宏毅 2020 ML Homework 1: Linear Regression-数据集
03-25
在这个“李宏毅2020 ML Homework 1: Linear Regression-数据集”中，我们关注的是一个回归问题，特别是针对PM2.5（细颗粒物）浓度的预测。PM2.5是指大气中直径小于或等于2.5微米的颗粒物，对人体健康和环境有显著...
李宏毅生成对抗网络（GAN）学习笔记--Conditional Generation&Unsupervised Conditional Generation
weixin_46730019的博客
10-17 232
一、Conditional Generation（Supervised）--监督学习 传统的预测模型是根据输入的图片进行平均的学习，例如下图，给定训练集中有前进的火车和侧向的火车，如果没有对其进行相应的条件标签，最后模型输出的就是既向前又向侧面的混合火车图像，就不是我们所需要的输出。 因此在conditional GAN中的输入除了train还有对其进行的描述语句或者关键词（称作normal distribution--z），把c和z一起输入网络最后输出的image传入鉴别器，输出一个数值scal.
李宏毅2020ML——P24-31可解释性ML
weixin_44177594的博客
03-17 360
Explainable machine learningintroduceLocal Explainable基本的思想：global Explainable方法1——activation maximization方法二利用一个可解释model去解释不可解释的modelLinear Model决策数 introduce 在分类问题中，我们输入一张猫的图片，machine会告诉我们这是”猫“，但是为什么？ 问题1：为什么machine会认为这个是猫呢？ 问题2：machine眼中的猫是什么样子的呢？ 或者是m
李宏毅2020ML——P58 自动编码器
weixin_44177594的博客
03-23 300
自编码器introduceapplicationtext retrievalbeforeauto-encoder——text retrievalSimilar Image SearchPre-training DNNfor CNNOther Auto-encoderDe-noising auto-encodergeneration introduce 与PCA对比 can deep 效果对比 二维可视化 application text retrieval before auto-encoder
李宏毅2020ML——P8-P9 Optimization for Learning（最优化方法）
weixin_44177594的博客
03-10 278
最优化方法SGDSGD with momentumAdagradRMSPropAdamNadamAdamW & SGDW with momentum总结 SGD 缺点：（正因为有这些缺点才让这么多大神发展出了后续的各种算法） 选择合适的learning rate比较困难 - 对所有的参数更新使用同样的learning rate。对于稀疏数据或者特征，有时我们可能想更新快一些对于不经常出现的特征，对于常出现的特征更新慢一些，这时候SGD就不太能满足要求了 SGD容易收敛到局部最优，并且在某些情况
李宏毅2020ML——tips for training DNN深度学习技巧
weixin_44177594的博客
03-15 246
tips for training DNN本节综述：Recipe of Deep Learning确定问题在哪里不是所有不好都来自于overfitting不同方法去解决不同问题如何在Training data上得到更好的performance1. New activation function梯度消失的问题ReLUhandle Vanishing gradient problemMaxoutHow to train Maxout2.Adaptive Learning RateAdagardRMSPropMo
李宏毅2020ML——P11 Logistic Regression（逻辑回归）
weixin_44177594的博客
03-12 241
Review 3 steps of machine learning Step1: function set Step2:Goodness of a function 似然函数只需要将每一个点产生的概率相乘即可，注意，这里假定是二元分类，class 2的概率为1减去class 1的概率 由于L ( w , b ) 是乘积项的形式，为了方便计算，我们将上式做个变换： 这样式子进一步改写： 如果是上面的例子就会是：（目的就是为了统一格式） 现在已经有了统一的格式，我们就可以把要minimize的对
李宏毅2020ML——P17 CNN（Convolutional Neural network）
weixin_44177594的博客
03-12 242
Convolutional Neural network引入CNN V.S. DNNWhy can we discard some parametersreason1：Some patterns are much smaller than the whole imagereason2：The same patterns appear in different regions.reason3：Subsampling the pixels will not change the objectThe whole
李宏毅2020ML——P12 Deep Learning深度学习概述
weixin_44177594的博客
03-12 211
deep learningUps and downs of Deep Learningstep1:define function(Neural Network)Matrix OperationOutput Layerexamplestep2：Goodness of functionstep3：Pick the best function Ups and downs of Deep Learning step1:define function(Neural Network) 只不过我们用neural
李宏毅2020ML——P22 semi-supervised半监督学习
weixin_44177594的博客
03-16 212
semi-supervisedintroduceSemi-supervised Learning for Generative ModelLow-density Separation AssumptionSmoothness AssumptionBetter Representation introduce 简单介绍： 为什么半监督学习会有效果呢？ Semi-supervised Learning for Generative Model 生成模型的半监督学习 监督生成模型： 半监督生成模型： 具体
李宏毅2020ML——P21-P22 RNN 循环神经网络
weixin_44177594的博客
03-16 205
Recurrent Neural Networkintroductionexample applicationSlot FillingRNN basic concept不同的变形Elman Network & Jorddan NetworkBidirectional RNNLSTMLearning TargetLoss FunctionTrainingproblemwhyHelp Techniquesmore applicationsentiment analysisKey term Extract
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