文章目录1生成对抗网络基本概念2生成对抗网络建模2.1建立MnistDataset类2.2建立鉴别器2.3测试鉴别器2.4Mnist生成器制作3模型的训练4模型表现的判断前面的博客讲了如何基于PyTorch使用神经网络识别手写数字使用PyTorch构建神经网络下面在此基础上构建一个生成对抗网络，生成对抗网络可以模拟出新的手写数字数据集。1生成对抗网络基本概念生成对抗网络（GAN）是一种用于生成新的照片，文本或音频的模型。它由两部分组成：生成器和判别器。生成器的作用是生成新的样本，而判别器的作用是识别这些样本是真实的还是假的。两个模型相互博弈，通过不断调整自己的参数来提高自己的能力。生成器希望判
文章目录1生成对抗网络基本概念2生成对抗网络建模2.1建立MnistDataset类2.2建立鉴别器2.3测试鉴别器2.4Mnist生成器制作3模型的训练4模型表现的判断前面的博客讲了如何基于PyTorch使用神经网络识别手写数字使用PyTorch构建神经网络下面在此基础上构建一个生成对抗网络，生成对抗网络可以模拟出新的手写数字数据集。1生成对抗网络基本概念生成对抗网络（GAN）是一种用于生成新的照片，文本或音频的模型。它由两部分组成：生成器和判别器。生成器的作用是生成新的样本，而判别器的作用是识别这些样本是真实的还是假的。两个模型相互博弈，通过不断调整自己的参数来提高自己的能力。生成器希望判
标准VAE(VariationalAutoencoder)的原理：在autoencoder模型中，我们加入一个编码器，它能帮我们把图片编码成向量。然后解码器能够把这些向量恢复成图片。标准自编码器我们现在获得了一个有点实际用处的网络了。而且我们现在能训练任意多的图片了。如果我们把这些图片的编码向量存在来，那以后我们就能通过这些编码向量来重构我们的图像。我们称之为标准自编码器。 但是，我们想建一个产生式模型，而不是一个只是储存图片的网络。现在我们还不能产生任何未知的东西，因为我们不能随意产生合理的潜在变量。因为合理的潜在变量都是编码器从原始图片中产生的。这里有个简单的解决办法。我们可以对编码器添加
标准VAE(VariationalAutoencoder)的原理：在autoencoder模型中，我们加入一个编码器，它能帮我们把图片编码成向量。然后解码器能够把这些向量恢复成图片。标准自编码器我们现在获得了一个有点实际用处的网络了。而且我们现在能训练任意多的图片了。如果我们把这些图片的编码向量存在来，那以后我们就能通过这些编码向量来重构我们的图像。我们称之为标准自编码器。 但是，我们想建一个产生式模型，而不是一个只是储存图片的网络。现在我们还不能产生任何未知的东西，因为我们不能随意产生合理的潜在变量。因为合理的潜在变量都是编码器从原始图片中产生的。这里有个简单的解决办法。我们可以对编码器添加
本文将持续更新。目录1.基本GAN1.1GAN（2014）1.2CGAN（2015）1.3DCGAN（2015）1.4VAE-GAN（2016）1.5ACGAN（2017）1.6styleGAN（2018）2.GAN在图像生成领域的应用2.1Pix2Pix（2017）2.2cycleGAN（2017）2.3starGAN（2018）2.4SPADE（2019）1.基本GAN1.1GAN（2014）原始GAN由生成器GGG和判别器DDD构成，生成器的目的就是将随机输入的高斯噪声映射成图像（“假图”），判别器则是判断输入图像是否来自生成器的概率，即判断输入图像是否为假图的概率。GAN的训练是个动态
本文将持续更新。目录1.基本GAN1.1GAN（2014）1.2CGAN（2015）1.3DCGAN（2015）1.4VAE-GAN（2016）1.5ACGAN（2017）1.6styleGAN（2018）2.GAN在图像生成领域的应用2.1Pix2Pix（2017）2.2cycleGAN（2017）2.3starGAN（2018）2.4SPADE（2019）1.基本GAN1.1GAN（2014）原始GAN由生成器GGG和判别器DDD构成，生成器的目的就是将随机输入的高斯噪声映射成图像（“假图”），判别器则是判断输入图像是否来自生成器的概率，即判断输入图像是否为假图的概率。GAN的训练是个动态
1、基本概念介绍1.1、WhatisGenerator在之前我们的网络架构中，都是对于输入x得到输出y，只要输入x是一样的，那么得到的输出y就是一样的。但是Generator不一样，它最大的特点在于多了另外一个具有随机性的输入，如下图：其中输入除了x之外，还有一个z，而z是从一个已知的分布之中进行采样得到的，例如高斯分布等等。那么由于z具有一定的随机性，那么由x与z获得的输出y也就不再只是一个确定的值，而是一个复杂的分布。1.2、Whydistribution为什么需要将输出y变成一个分布呢？来看下面这个例子：假设我们现在正在做一个画面预测的任务，根据以前的画面数据预测接下来里面的小精灵会往哪
1、基本概念介绍1.1、WhatisGenerator在之前我们的网络架构中，都是对于输入x得到输出y，只要输入x是一样的，那么得到的输出y就是一样的。但是Generator不一样，它最大的特点在于多了另外一个具有随机性的输入，如下图：其中输入除了x之外，还有一个z，而z是从一个已知的分布之中进行采样得到的，例如高斯分布等等。那么由于z具有一定的随机性，那么由x与z获得的输出y也就不再只是一个确定的值，而是一个复杂的分布。1.2、Whydistribution为什么需要将输出y变成一个分布呢？来看下面这个例子：假设我们现在正在做一个画面预测的任务，根据以前的画面数据预测接下来里面的小精灵会往哪
作者：韩信子@ShowMeAI教程地址：https://www.showmeai.tech/tutorials/37本文地址：https://www.showmeai.tech/article-detail/275声明：版权所有，转载请联系平台与作者并注明出处收藏ShowMeAI查看更多精彩内容本系列为斯坦福CS231n《深度学习与计算机视觉(DeepLearningforComputerVision)》的全套学习笔记，对应的课程视频可以在这里查看。更多资料获取方式见文末。引言之前了解到的都是监督学习（SupervisedLearning）：我们有数据x和标签y，目标是学习到一个函数可以将数据
作者：韩信子@ShowMeAI教程地址：https://www.showmeai.tech/tutorials/37本文地址：https://www.showmeai.tech/article-detail/275声明：版权所有，转载请联系平台与作者并注明出处收藏ShowMeAI查看更多精彩内容本系列为斯坦福CS231n《深度学习与计算机视觉(DeepLearningforComputerVision)》的全套学习笔记，对应的课程视频可以在这里查看。更多资料获取方式见文末。引言之前了解到的都是监督学习（SupervisedLearning）：我们有数据x和标签y，目标是学习到一个函数可以将数据
