读书笔记之GAN模型和RNN模型记录

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