GAN生成对抗网络
-
GAN学习笔记：生成对抗网络
看了Ian大神的论文，学习一下GAN。 一、基本介绍 生成对抗网络由两部分组成：Generatative model 和 Discriminative model，以下分别简称为G 和 D。 在GAN中，训练集是无标签数据集data，G接受数据z，产生G(z)，而D判定G产生的数据是来自于真实数据data还是由G产生的。在训练过程中，双方不断优化自己，直到D…
-
理解GAN生成对抗网络
GAN (Generative Adversarial Net) 生成对抗网络主要用于生成一些数据，并且生成的数据能够使得人无法分辨出哪些是GAN生成的，哪些是真实数据。这里我们举一个例子形象说一下GAN大概的工作原理： 我们以我们平常生活中的钱为例：钱有真钱和假钱之分，我们得想办法让这个假钱做的更像真钱。首先我们得有一个做假…
-
生成对抗网络GAN入门讲解
转载：https://wiki.pathmind.com/generative-adversarial-network-gan 转载：https://wiki.pathmind.com/ 转载：https://zhuanlan.zhihu.com/p/42606381 转载：https://zhuanlan.zhihu.com/p/33752313 通俗理解…
-
不要怂，就是GAN (生成式对抗网络) （二）：数据读取和操作
前面我们了解了 GAN 的原理，下面我们就来用 TensorFlow 搭建 GAN（严格说来是 DCGAN，如无特别说明，本系列文章所说的 GAN 均指 DCGAN），如前面所说，GAN 分为有约束条件的 GAN，和不加约束条件的GAN，我们先来搭建一个简单的 MNIST 数据集上加约束条件的 GAN。 首先下载数据：在 /home/your_name/T…
-
ICCV2017 | 一文详解GAN之父Ian Goodfellow 演讲《生成对抗网络的原理与应用》（附完整PPT）
当地时间 10月 22 日到10月29日，两年一度的计算机视觉国际顶级会议 International Conference on Computer Vision（ICCV 2017）在意大利威尼斯开幕。Google Brain 研究科学家IanGoodfellow在会上作为主题为《生成对抗网络(Generative Adversarial Networks…
-
生成式对抗网络GAN必读十篇论文（附论文和代码地址）
目录索引 一、DCGAN 二、Improved Techniques for Training GANs 三、Conditional GANs 四、Progressively Growing of GANs for Improved Quality, Stability, and Variation 五、BigGAN 六、StyleGAN 七、CycleGA…
-
生成对抗网络（GAN）详解，应用及原理
目录 1.GAN网络介绍 2.原始GAN的问题 3.GAN网络训练技巧 1.GAN的介绍 Generative Adversarial Network简称GAN网络，是一种通过训练，使判别器（Generator）和生成器（Discriminator）达到一种平衡状态。 下面通过具体的网络结构，介绍GAN网络的训练过程。 如图所…
-
理解GAN对抗神经网络的损失函数和训练过程
GAN最不好理解的就是Loss函数的定义和训练过程，这里用一段代码来辅助理解，就能明白到底是怎么回事。其实GAN的损失函数并没有特殊之处，就是常用的binary_crossentropy，关键在于训练过程中存在两个神经网络和两个损失函数。 np.random.seed(42) tf.random.set_seed(42) codings_size = 30 …
-
不要怂，就是GAN (生成式对抗网络) （四）：训练和测试 GAN
在 /home/your_name/TensorFlow/DCGAN/ 下新建文件 train.py，同时新建文件夹 logs 和文件夹 samples，前者用来保存训练过程中的日志和模型，后者用来保存训练过程中采样器的采样图片，在 train.py 中输入如下代码： # -*- coding: utf-8 -*- import tensorflow as …
-
形状一致的生成对抗网络 SC-GAN —— 无监督域适应
形状一致的生成对抗网络 SC-GAN —— 无监督域适应 文章原文：Yu, Fei, et al. “Annotation-Free Cardiac Vessel Segmentation via Knowledge Transfer from Retinal Images.” International Conference on Medical Imag…
