GAN生成对抗网络
-
生成对抗式网络 GAN及其衍生CGAN、DCGAN、WGAN、LSGAN、BEGAN等原理介绍、应用介绍及简单Tensorflow实现
生成式对抗网络（GAN，Generative Adversarial Networks）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。学界大牛Yann Lecun 曾说，令他最激动的深度学习进展就是生成式对抗网络。最近正好看了这方面的一些介绍和论文，并用Tensorflow实现了两个小例子，所以写了这篇文章来作个简单的小结。 本文主要分…
-
跟着小狼学神经网络 | 各种GAN（生成式对抗网络）入门与实践
（未完待续中） 这个系列的缘由，是我在学习DCGAN时，隐约觉得神经网络及实践并没有想象得那么难………入门比起SLAM领域要好很多。 同时，对于GAN这个话题，有太多的故事可以讲，不同的模型DCGAN、CGAN、ACGAN、WGAN等等，而且有很多不同的应用场景。 这里，本博客将主要涉及用GAN生成假图片的任务。 先留个名。。。。有空的话争取暑假期间完成整理…
-
如何让对抗网络GAN生成更高质量的文本？LeakGAN现身说法：“对抗中，你可能需要一个间谍！”
最初，由于其中的一个缺陷，GANs在文本生成方面无法得到有效的应用。得益于该团队之前发表的SeqGAN，GANs在文本生成上有了可能，不过表现并没有图像生成任务中那么突出。主要问题之一就是，生成器 G 从鉴别器 D 获得的反馈中含有的信息量太少，不足以有效地引导 G 更新、提升文本生成质量，尤其是当文本长度较长的时候。 这就引出了下面这个问题：如果让鉴别器反…
-
王飞跃教授：生成式对抗网络GAN的研究进展与展望
本次汇报的主要内容包括GAN的提出背景、GAN的理论与实现模型、发展以及我们所做的工作，即GAN与平行智能。 生成式对抗网络GAN GAN是Goodfellow在2014年提出来的一种思想，是一种比较直接的思路。例如，想象我们有两张图片，一张是真的，一张是假的。那么对人类而言，如何去判断这幅画究竟是伪造的还是真的？我们又为什么可以这样认为呢？比如图1中，这…
-
【论文笔记】ASNet：基于生成对抗网络（GAN）的无监督单模和多模配准网络（范敬凡老师）
本文是论文《Adversarial learning for mono- or multi-modal registration》的阅读笔记，是范敬凡老师的工作，是文章《Adversarial Similarity Network for Evaluating Image Alignment in Deep Learning based Registrati…
-
生成对抗网络（GAN）常见应用
这是本人第一次写博客文章，有不足的地方请多包涵，另外该博客只是对GAN在图像领域应用的个人理解，大神轻喷。部分内容参考的这篇文章[19] 一、图像转换（修复、翻译） 1. 成对样本 1. Context Encoder 论文[1]提出一种上下文编码器来根据缺失图像周围的像素来修补缺失部分。训练上下文编码器时，需要构造标准的逐像素重构误差和对抗损失误差。利用对…
-
学习笔记GAN001:生成式对抗网络，只需10步，从零开始到调试
生成式对抗网络(gennerative adversarial network,GAN)，目前最火的非监督深度学习。一个生成网络无中生有，一个判别网络推动进化。学技术，不先着急看书看文章。先把Demo跑起来，顺利进入断点调试。这样就可以边学习边修改边验证，亲自下手参与调试，会比只是当个看客，更有兴趣更有成就感也更容易理解内容。 1､下载并安装Anaconda…
-
GAN生成对抗网络学习笔记
一、简介GAN是Generative Adversarial Nets的缩写，是由Ian Goodfellow14年提出的，这个东西和深度学习里其他很多东西一样，看表面原理其实很好理解，就是两个网络不断对抗互相学习，最终得到一个比较好的结果，但是想搞清楚原理并且能从头推一遍公式其实还是要花不少时间的，尤其是原作里很多细节并没有展开讲，因此我觉得还是比较有必要…
-
李弘毅老师GAN笔记（一），对抗生成网络（GAN）简单介绍
博主最近在上李弘毅老师的GAN的课程，所以写一些博客作为笔记，方便以后回忆。bilibili链接： https://www.bilibili.com/video/av24011528/?spm_id_from=333.338.recommend_report.1，课程的相关学习资料的链接为：http://speech.ee.ntu.edu.tw/~tlkag…
-
2 李宏毅生成对抗网络学习———GAN原理
1 引言 生成对抗网络由Goodfellow在2014年提出。GAN由生成器和判别器组成。生成器的功能是输入一个样本将其输出成一个逼真的样子，判别器来判断输入的样本是真的还是伪造的。 判别网络的目的：就是能判别出来属于的一张图它是来自真实样本集还是假样本集。例如输入的是真样本，网络输出就接近1，输出的是假样本，网络输出接近0。 生成网络的目的：生成网络是造样…
