机器学习练习二——GAN算法生成图像

已于 2022-11-18 17:48:54 修改
阅读量967 收藏
点赞数
分类专栏： 机器学习 文章标签： python 深度学习 GAN DCGAN
于 2022-11-18 17:41:54 首次发布
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_52296952/article/details/127926654
版权

这里写自定义目录标题

一、作业要求

本次作业老师对作业没有明文要求，问了老师后，得到结论是要侧重评价。
根据大概要求将报告分为下面几个部分：

  1. Gan算法的原理介绍；
  2. Gan算法的代码实现；
  3. Gan算法的结果分析。

二、提供的资源

老师提供了以下的资源：

  1. 数据集——包含train和val两个文件夹；
    所给数据集的格式注解：
    0-过熔
    1-正常
    2-不连续熔融
    3-不完全熔融

三、报告拆分

目前对老师要求的报告内容做以下的拆分：

3.0 背景介绍

具体工作：和上次差不多
分配人：组员1

3.1 GAN算法

3.1.1 GAN算法原理介绍

具体工作：介绍GAN算法的原理
分配人：组员2

3.1.2 GAN算法的代码实现

具体工作：代码实现算法
分配人：组员3

3.1.3 GAN算法的指标评价

具体工作：对3.1.2生成的结果进行分析，即对GAN算法进行评价，指出存在的问题，为下面的DCGAN做准备。
分配人：组员3

3.2 DCGAN算法

3.2.1 DCGAN算法原理介绍

具体工作：介绍DCGAN算法的原理
分配人：组员4

3.2.2 DCGAN算法的代码实现

具体工作：代码实现算法（目前我已经做出来了）
分配人：组员5

3.2.3 DCGAN算法的指标评价

具体工作：对3.2.2生成的结果进行分析，即对DCGAN算法进行评价
分配人：组员5

3.3 算法对比

具体工作：对3.1GAN和3.2DCGAN进行对比
分配人：组员6

3.4 最终文档的整理

具体工作：对上面各部分汇总得到的小文档进行整理和排版（以毕业论文的格式进行排版）
分配人：组员5

L_EG
关注
专栏目录
PyTorch深度学习实战（1）——神经网络与模型训练过程详解
盼小辉丶的博客
05-28 6万+
在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。
用GAN来做图像生成，这是最好的方法
weixin_34186950的博客
08-23 4910
前言 在我们之前的文章中，我们学习了如何构造一个简单的 GAN 来生成 MNIST 手写图片。对于图像问题，卷积神经网络相比于简单地全连接的神经网络更具优势，因此，我们这一节我们将继续深入 GAN，通过融合卷积神经网络来对我们的 GAN 进行改进，实现一个深度卷积 GAN。如果还没有亲手实践过 GAN 的小伙伴可以先去学习一下上一篇专栏：生成对抗网络...
算法之美---由计算机生成的图像
weixin_33742618的博客
10-20 365
发几幅由计算机生成的图像,以展示算法之美.并提供生成图像的算法代码.代码中,一部分是由C++实现,另一部分是由一种我定义的脚本语言实现. 相关软件见:Why数学图像生成工具. (1)树 1 void CPixelIFSTree::BuildPixelsMap() 2 { 3 float m[5][7]; 4 5 //'IFS...
深度学习：GAN图像生成
最新发布
Landy_Jay的博客
10-01 1147
生成对抗网络（GAN）的基本原理基于两个神经网络之间的博弈过程：一个生成器（Generator, G）和一个判别器（Discriminator, D）。输入-输出图像对指的是两个相关的图像，其中一个图像是另一个图像经过某种变换后的结果。与cGAN相比，CycleGAN不依赖于明确的条件向量，而是通过两个相互对立的映射函数来实现双向的图像转换，并且通过循环一致性损失来确保转换的质量和可逆性。GAN 框架非常灵活，可以应用于图像、文本、音频等多种类型的数据，并且能够生成多样化的样本。
九尾之火---算法生成的动画图像
weixin_34292402的博客
12-08 137
      之前实现了算法生成火的图像,现在我要做的是让火动起来.似乎我在算法生成图像的路上越来越走火入魔了.最近总在想一些挺无聊的东西,如雪花何以六出,闪电的形态是如何形成,还有就是火焰烟花的生成.在无风的室内点燃一支蜡烛,其火苗是不停变化的,是什么造成它的变化?据说法国拓扑学家托姆（R.Thom）曾和两位古人类学家讨论：“ 我们的祖先究竟是由于什么动机保存了火种？” 一位说是由于火可以取暖，另...
算法之美---100幅由程序生成的图像，总有一幅让你感到惊艳[下]
weixin_33811961的博客
10-24 127
      来看看算法能生成什么样的图像，继续发余下的50幅。这50幅图像中大部分与分形有关，算法难度要比前50幅大一些，当然其视觉效果会更为惊艳。所有图像均由我开发的软件“Why数学图像生成工具”生成。 (51)Sharp Edges (52)Binary Flash (53)Mandelbrot 1 (54)Mandelbrot By Martin (55)Mande...
算法之美---100幅由程序生成的图像，总有一幅让你感到惊艳[上]
weixin_34250709的博客
10-23 165
      100幅由程序生成的图像，总有一幅让你感到惊艳，这里先发前50幅。算法是抽象纠结晦涩的，图像却是直观美妙的，来看看算法能生成什么样的图像吧。所有图像均由我开发的软件“Why数学图像生成工具”生成。 (1)Color RGB (2)XOR (3)Pow FTW (4)Pow And (5)AndAddOr (6)Colorful Triangle (7)Unicorns ...
深度学习基础——设计下一代机器智能算法
08-28
《深度学习基础——设计下一代机器智能算法》一书，作为东南大学出版社出版的影印版，为我们提供了一个深入理解和实践深度学习的宝贵资源。 该书首先可能会介绍深度学习的基础概念，包括神经网络的基本结构，如输入...
Python-GAN实战对抗生成网络深度学习随书代码
08-11
GAN是一种基于深度学习的创新模型，由Ian Goodfellow在2014年提出，主要用于生成新的数据，如图像、音频等，其核心思想是通过两个神经网络——生成器（Generator）和判别器（Discriminator）的对抗式训练来提升生成...
matlab-gan:生成对抗网络的 matlab 实现——从 gan 到 pixel2pixel、cyclegan
06-25
GAN，即生成对抗网络，是近年来流行的一种机器学习算法模型，它可以通过两个深度神经网络模型（生成器和判别器）来生成具有类似于真实图像的虚拟图像。 在Matlab中，GAN也有自己的实现——matlab-gan。该实现提供了...
机器学习指南：如何学习机器学习？
gongdiwudu的专栏
01-09 3248
因此，无论您是刚入门的新手还是想要升级的专业人士，本指南都是您进入机器学习世界的激动人心的旅程的伴侣！准备好解开智能计算机的秘密，看看你们可以一起创造哪些令人惊奇的东西。
Gan图像生成器-BigGan
10-13
丰富的背景和纹理图像的生成是各类生成模型追求的终极目标，ImageNet 的生成已然 成为检验生成模型好坏的一个指标。 在各类生成模型中，GAN 是这几年比较突出的，18 年新出的 SNGAN [1]、 SAGAN [2] 让 GAN 在 ImageNet 的生成上有了长足的进步，其中较好的 SAGAN 在 ImageNet 的128x128 图像生成上的 I n c e p t i o n S c o r e ( I S ) [3] 达到了 52 分。 BigGAN 在 SAGAN 的基础上一举将 IS 提高了 100 分，达到了 166 分（真实图片也 才 233 分），可以说 BigGAN 是太秀了
最新GAN生成高清图片
12-27
最新GAN生成高清图片，采用改进的网络模型对生成图片进行分析生成式对抗网络 GAN (Generative adversarialnetworks) 是 Goodfellow 等[1]在 2014 年提出的一种生成式模型. GAN 在结构上受博弈论中的二人零和博弈 (即二人的利益之和为零, 一方的所得正是另一方的所失) 的启发, 系统由一个生成器和一个判别器构成.
使用GAN生成图像：在 TensorFlow 中使用 GAN 生成图像
新华编程特战队
12-29 2612
我们将使用 Tensorflow 库从头开始创建一个简单的 GAN，在 MNIST 数据集上对其进行训练，并生成手写数字的新图像。为了查看网络对图像的训练程度，我们创建了一个辅助函数来存储来自生成器的一批图像的预测。在给定图像数据集的情况下创建新颖的图像是称为生成对抗网络 （GAN） 的特定模型分支的优势之一。MNIST 是 GAN 的简单数据集，例如我们正在构建的数据集，因为它具有较小的单通道图像。生成器随机创建新颖的图像，而鉴别器则试图证明生成的图像是假的。我们遵循的 GAN 图像生成步骤如下。
机器学习_深度学习毕设题目汇总——图像生成
MetaGrad的博客
02-07 3099
下面是该类的一些题目： 题目 基于生成式对抗网络的无监督图像生成研究 用于图像生成的机器学习算法在人像合成中的研究与应用 可抵抗相机抖动的高动态图像生成算法研究 图像生成诗歌的端到端模型研究 基于GANs的脑部MRI图像生成方法研究 基于GAN的图像生成算法研究 基于GAN的海面目标图像生成和效果评价 基于分离表示的人脸图像生成 基于卷积神经网络的单曝光HDR图像生成方法研究 基于反馈LSTM与注意力机制的图像生成描述算法的研究与实现 基于姿态引导的人
NVIDIA新作解读：用GAN生成前所未有的高清图像（附PyTorch复现） | PaperDaily #15
热门推荐
Paper weekly
11-16 1万+
在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。 在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。 点击本文底部的「阅读原文」即刻加入社区，查看更多最新论文推荐。 这是 PaperDaily 的第 15 篇文章 本期推荐的是 NVIDIA 投稿 ICLR 2018 的新作 Progre
机器学习笔记 - 基于Torch Hub的DCGAN图像生成 + 调用自定义网络模型
学以致用 知行合一
05-03 839
Pytorch Hub 是一个预训练模型存储库，旨在促进研究的可重复性。Torch Hub 允许您发布预先训练的模型，以帮助促进研究共享和可重复性。 Torch Hub 在其官方展示中总共纳入了48个研究模型(目前为止)。音频模型8个、生成式模型2个、自然语言处理 (NLP)3个、可编写脚本20个、视觉模型等等。这些模型还在基准数据集（例如Kinetics 400和COCO 2017）上进行了训练。
GAN图像生成
qq_43573054的博客
02-18 2383
基于生成对抗网络的压力容器焊缝缺陷样本扩充系统绪论
04-25
基于生成对抗网络的压力容器焊缝缺陷样本扩充系统是一种利用生成对抗网络（GAN）技术来扩充压力容器焊缝缺陷样本的系统。该系统的目的是通过生成虚拟的缺陷样本，来增加训练数据集的多样性和数量，从而提高缺陷检测算法的性能和鲁棒性。 在传统的缺陷检测任务中，由于真实的缺陷样本往往难以获取或者数量有限，导致训练模型的泛化能力不足。而基于生成对抗网络的方法可以通过学习真实样本的分布特征，生成与真实样本相似的虚拟样本，从而扩充训练数据集。 该系统的绪论部分主要包括以下内容： 1. 研究背景：介绍了压力容器焊缝缺陷检测的重要性和现有方法的局限性。 2. 相关工作：概述了目前已有的基于生成对抗网络的样本扩充方法，并对其进行了比较和分析。 3. 系统目标：明确了该系统的目标和意义，即提高压力容器焊缝缺陷检测算法的性能和鲁棒性。 4. 系统框架：简要介绍了系统的整体框架和主要组成部分，包括生成器网络、判别器网络和训练策略等。
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