![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
GAN学习记录
文章平均质量分 89
云溪龙
记录小白的自己逐渐了解IT世界
展开
-
GAN学习记录(一)——朴素GAN的构建生成MNIST数据集
初始生成对抗网络环境:python==3.6tensorflow==2.4.1生成对抗网络,英文是Generative adversarial network,简称GAN生成:产生一堆东西,例如产生一张图片、一段文字或一段视频。对抗:生活中随处可见,同事之间的竞争,警察与匪徒之间的竞争。GAN的结构GAN与普通的网络不同,主要由两个主要网络构成:一个是Generator Network,称为生成网络或生成器一个是Discriminator Network,称为判原创 2021-04-19 15:04:24 · 960 阅读 · 1 评论 -
GAN学习记录(二)——DCGAN的构建生成MNIST数据集
深度卷积生成对抗网络DCGAN在上一次的学习中,我们搭建了一个朴素GAN,只利用了全连接网络,在训练了20000epoch后已经可以生成比较不错的手写数据集了,如果把生成器和判别器网络换成更强大的网络会是不是会有更好的效果呢?DCGAN引入了卷积神经网络,使用卷积神经网络进行生成器和判别器的构造,结构与朴素GAN基本相同,所以不过多介绍了,下面是搭建过程。# 导入包%matplotlib inlineimport numpy as npimport matplotlib.pyplot as plt原创 2021-04-29 21:18:53 · 1722 阅读 · 6 评论 -
GAN学习记录(三)——半监督生成对抗网络(SGAN)
半监督生成对抗网络(SGAN)半监督生成对抗网络(Semi-Supervised GAN,SGAN)是一种生成对抗网络,其鉴别器是多分类器。这里的鉴别器不只是区分两个类(真和假),而是学会区分N+1类,其中N是训练数据集中的类数,生成器生成的伪样本增加了一个类。结构区别与传统GAN相比,SGAN区分多个类的任务不仅影响了鉴别器本身,还增加了SGAN架构、训练过程和训练目标的复杂性。SGAN生成器的目的与原始GAN相同:接收一个随机数向量并生成伪样本,力求使伪样本与训练数据集别无二致。但是,SGAN原创 2021-05-03 11:20:25 · 7307 阅读 · 6 评论 -
GAN学习记录(四)——条件生成对抗网络CGAN
条件生成对抗网络CGANCGAN是最早使目标数据生成成为可能的GAN创新之一,可以说是最具影响力的一种。接下来,介绍CGAN的工作方式以及如何用MNIST数据集实现它的小规模版本。CGAN原理生成器学习为训练数据集中的每个标签生成逼真的样本,而鉴别器则学习区分真的样本-标签对与假的样本-标签对。半监督GAN的鉴别器除了区分真实样本与伪样本,还为每个真实样本分配正确的标签;而CGAN中的鉴别器不会学习识别哪个样本是哪个类。它只学习接受真实的且样本-标签匹配正确的对,拒绝不匹配的对和样本为假的对。例如:原创 2021-05-03 11:56:42 · 9167 阅读 · 5 评论 -
GAN学习记录(五)——循环生成对抗网络CycleGan
循环生成对抗网络CycleGandatasethttps://people.eecs.berkeley.edu/~taesung_park/CycleGAN/datasets/vangogh2photo.zipGitHub地址:https://github.com/yunlong-G/tensorflow_learn/blob/master/GAN/CycleGan.ipynbenvironmentpython=3.6tensorflow=1.13.1scipy=1.2.1keras=原创 2021-05-13 16:28:24 · 11114 阅读 · 3 评论