一、GAN部分应用
1.图像生成 Training Examples -> Model Samples
2.视频应用
3.图片超精度变换
4.图图变换
二、GAN的简单理解
1. 从autoencoder讲起的生成模型
2. MSE存在一些问题
3.简单的设想
4. 迭代与进化 Generator + Discriminator = GAN
三、GAN原理介绍
1、前方高能
Attention: 评估训练好坏,并不能通过loss的大小来衡量!
2. 各种变种GAN:
1) 基于GAN的最优化修改:fGAN、WGAN、Least-square GAN、 Loss Sensitive GAN、 Energy-based GAN、 Boundary-seeking GAN、 Unroll GAN.....
2) 基于GAN的结构修改: Conditional GAN、 Semi-supervised GAN、 InfoGAN、 BiGAN、Cycle GAN、 Disco GAN、 VAE-GAN......
四、DCGAN实践:
1)Discrinator:就是一个CNN的分类器,输入是28*28*1的手写数字图像,输出是一个0-1的概率。结构如下,**函数用的leaky ReLU,dropout取0.4-0.7之间。
2)Generator:从100维的随机向量去生成一张28*28*1的图片,我们会用到 反卷积/转置卷积(transposed convolution),用的ReLU**函数,dropout使用的0.3-0.5之间,同时使用了BN层,使得训练能正常进行。
3)Adversarial Model:把上面的生成模型和分类模型合并在一起形成一个对抗模型。
4)Training:先训练Discriminator,然后迭代交替训练generator和discriminator。
5)Result
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:七月算法深度学习 第三期 学习笔记-第五节 生成对抗网络GAN - Python技术站