一、GAN 模型
##1、基本概念
GAN是对抗生成网络,它的应用的领域有很多,如图像翻译,图像编辑,图像超分辨率,自然语言领域等,还可结合强化学习打造基于GAN的强化学习。
##2、GAN的原理
GAN模型由两部分组成,生成网络(生成器)G,判别网络(判别器) D。如果以生成图片数据为例,在训练过程中,生成网络G的目标是尽量生成真实的图片去欺骗判别网络D,而D的目标是尽量把G生成的图片和真实的图片区分开来,这样,G和D构成了一个动态的博弈,这就是GAN的基本思想,也是GAN的名字由来。
##3.GAN的改进:
&&1.CGAN 模型 条件生成对抗网络
&&2.LAPGAN模型 拉普拉斯金字塔生成对抗网络
&&3. DCGAN模型 深度卷积对抗生成网络
主要是生成器G,做了网络结构上的变化,还有他能做一些强大的操作,如图像的表示运算,该项目是现在GAN模型中最受欢迎程度最高的。
&&4.InfoGan模型
&&5.LSGAN模型 最小二乘GAN
&&6.WGAN模型
&&7.CycleGAN 模型
##4.实际应用
DCGAN,如生成MNIST图像和自定义数据集进行训练:https://github.com/carpedm20/DCGAN-tensorflow
CGAN ,如 pix2pix 模型 :https://github.com/affinelayer/pix2pix-tensorflow
CycleGan,https://github.com/vanhuyz/CycleGAN-TensorFlow
二、RNN模型
##1.Rnn模型的常用单元:
&&1.基本Rnn单元
&&2.LSTM 单元
&&3.GRU单元
&&4.双向RNN单元
&&5.组合单元(带有其他特性的RNN单元)
##2.RNN 两个经典的模型
&&1.PTB-LSTM语言模型
&&2.Seq2Seq 模型