李宏毅机器学习笔记：GAN

最新推荐文章于 2024-09-08 20:46:03 发布
原创 最新推荐文章于 2024-09-08 20:46:03 发布 · 187 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习 #深度学习

本文探讨了生成对抗网络(GAN)的评估挑战，如Mode Collapse问题及ModelDropping，通过FID指标衡量生成样本的多样性，并介绍了Conditional GAN在限定属性生成上的应用。此外，文中还涉及GAN在自监督学习和风格迁移中的实践，展示了技术细节与解决方案。

GAN的评估方法

  1. 分类器输出概率，但是会导致Mode Collapse（生成数据分布非常相似），这个问题目前还无法解决。Model Dropping：生成的数据多样性不够。多样性：让生成的图片通过分类器输出所有概率分布，再求每个类别的平均概率分布，如果比较集中则多样性不够。
  2. FID:将分类网络softmax输出之前的向量抽象到某一维度（假设服从高斯分布），然后计算与真实数据之间的距离
    在这里插入图片描述

Conditionnal GAN

  1. 通过输入文字和向量Z产生图片，文字限定生成图片属性，训练的文字和图片需要成对
  2. 通过输入文字图片和向量Z产生图片，
    在这里插入图片描述

GAN做自监督学习

风格迁移
在这里插入图片描述
在这里插入图片描述

李宏毅机器学习2021学习笔记（3）：GAN（生成对抗网络）
weixin_51691386的博客
06-25 503
李宏毅机器学习2021学习笔记（3）：GAN（生成对抗网络） 各种GAN类别：https://github.com/hindupuravinash/the-gan-zoo Generator(生成网络) 一个神经网络，实现输入噪音Z→输出生成样本 Discriminator（判别网络） 对样本打分，真实样本分数高，生成样本分数低（Generator产生的为虚构样本） 如何迭代产生好结果的过程 为使Discrimination不能区分样本是否真实，Generator需不断迭代使得能产生更能接近真实的样本，
李宏毅《机器学习》课程笔记（作业十一：GAN）
如花美眷，似水流年~
05-12 1541
GAN包含辨别器和生成器，是一个对抗的关系，用adversarial。是无监督的学习方式。 可以将其看成老师和学生的关系。 注意辨别器和生成器是轮流训练的，输入是一个随机的向量，最后的输出是一个标量。训练一个的时候把另外一个固定住不更新梯度值。对于辨别器，优化目标是两个部分，使得真实图像得分高而生成的图像得分低。 结构化学习，输出不再是一个简单的向量，而是一个句子，一张图片或者一棵树等等。 One-shot learning, 如果我们把每一张图片看做一个class，所以每个类别只出现一次，有些甚至
​李宏毅机器学习——对抗生成网络（GAN）
iwill323的博客
10-24 3029
​李宏毅机器学习——对抗生成网络（GAN）
李宏毅2021机器学习笔记——GAN
Alex_SCY的博客
08-06 1285
GAN_P1 Generation Network as Generator 接下来要进入一个,新的主题 我们要讲生成这件事情 到目前為止大家学到的network,都是一个function,你给他一个X就可以输出一个Y 我们已经学到各式各样的,network架构,可以处理不同的X 不同的Y 我们学到输入的X 如果是一张图片的时候怎麼办 如果是一个sequence的时候怎麼办 我们也学到输出的Y 可以是一个数值 可以是一个类别 也可以是一个sequence 接下来我们要进入一个新的主题,这个新的主题
精选资源
【李宏毅机器学习笔记】6、简单介绍深度学习（Deep Learning）
01-06
【李宏毅机器学习笔记】1、回归问题（Regression） 【李宏毅机器学习笔记】2、error产生自哪里？ 【李宏毅机器学习笔记】3、gradient descent 【李宏毅机器学习笔记】4、Classification 【李宏毅机器学习笔记】5、...
[datawhale202210]李宏毅机器学习2021：自编码器
qq_40990057的博客
10-10 1509
本次task了解了自编码器的原理。自编码器可以视为是一种自监督学习，由三个主要部分组成，encoder，中间的embedding向量，和decoder。自编码器的的核心思想是化繁为简。常将中间的embedding向量作为后续任务的输入。 自编码器的常见变体包括，de-noising auto-encoder，前面加噪声，要求decoder还原出加噪声前的状态，可以类比BERTmask掉词的用途。Feature disentanglement，特征解构，使得特征具有具体意义。Discrete Latent
2021李宏毅机器学习笔记--23 Theory behind GAN
guoxinxin0605的博客
09-05 643
2021李宏毅机器学习笔记--23 Theory behind GAN摘要一、Maximum Likelihood Estimation(最大似然估计)二、MLE=Minimize KL Divergence（最小KL散度）三、Generator四、Discriminator五、D*和divergence的关系证明六、知识回顾:KL散度、JS散度和交叉熵七、G*的目标八、GD Algorithm for GAN九、In practice(实做中)十、Algorithm for GAN总结 摘要 本章节主
李宏毅机器学习笔记GAN
最新发布
02-11
### 李宏毅机器学习笔记中的GAN相关内容 #### GAN基本概念 生成对抗网络（Generative Adversarial Networks, GANs）由两个主要部分组成：生成器（Generator）和判别器（Discriminator）。生成器的目标是从随机噪声...
【第十一周】李宏毅机器学习笔记09：生成式对抗网络1
qq_30043925的博客
09-08 1101
本周学习了生成式对抗网络，了解了生成器和判别器的基础原理，同时学习了 GAN 的训练过程和算法思想。最后了解了 Wasserstein Distance，学习了 WGAN 的一点基础。生成对抗网络（GAN）由生成器和判别器两部分组成：生成器学习生成类似真实数据的样本，而判别器则负责区分真实数据与生成的数据。传统的GAN采用最小最大博弈框架，其中生成器试图“欺骗”判别器，使它难以分辨真假，而判别器则努力准确地区分真实数据和生成数据。
李宏毅学习笔记的PDF版
04-22
github上有相关的开源资源！！！！！ 李宏毅老师的机器学习视频是机器学习领域经典的中文视频之一，也被称为中文世界中最好的机器学习视频。李老师以幽默风趣的上课风格让很多晦涩难懂的机器学习理论变得轻松易懂，并且老师会通过很多有趣的例子结合机器学习理论在课堂上展现出来，并且逐步推导深奥的理论知识。比如老师会经常用宝可梦来结合很多机器学习算法。对于想入门机器学习又想看中文讲解的人来说绝对是非常推荐的。
李宏毅老师机器学习课笔记-生成对抗网络（GAN)
weixin_43113135的博客
05-26 346
李宏毅老师《机器学习》课程笔记-6 GAN
宁萌Julie的博客
06-16 1434
介绍GAN(Generative Adversarial Model)。
李宏毅机器学习GAN的笔记
XiaoQiXiaoWei_J的博客
01-27 2970
搜索网页以及视频，对GAN的笔记，仅供参考，加入了很多自己的理解
李宏毅机器学习L6 GAN
weixin_46524058的博客
09-26 315
L6笔记，无参考价值
李宏毅机器学习笔记第14周_生成式对抗网络(GAN)
peaunt1的博客
07-16 1093
GAN
2020李宏毅机器学习笔记——25. GAN（生成对抗网络）
weixin_44790306的博客
09-04 1850
Generative Adversarial Network(生成对抗网络) 文章目录摘要0引言1. Basic Idea of GAN（GAN的基本思想）1.1 Generation（生成）1.2 Discriminator（判别器）1.3 生成器和判别器的关系—对抗学习1.4 Algorithm 摘要 本章主要是在讲解GAN的基本思想， 0引言 自2014年Ian Goodfellow 提出了GAN（Generative Adversarial Network）以来，对GAN的研究可谓是如火如荼。针对不
李宏毅《GAN Lecture》学习笔记1 - GAN
好记性不如烂笔头
10-15 450
介绍GAN的基本原理和训练过程
【Mo 人工智能技术博客】机器学习分享——手把手带你写一个GAN
Mo 的博客
01-18 741
GAN 今天让我们从这几方面来探索： GAN能用来做什么 GAN的原理 GAN的代码实现 用途 GAN自2014年诞生以来, 就一直备受关注, 著名的应用也随即产出, 比如比较著名的GAN的应用有Pix2Pix,CycleGAN等, 大家也将它用于各个地方。 缺失/模糊像素的补充 图片修复 …… 我觉得还有一个比较重要的用途， 很多人都会缺少数据集， 那么就通过GAN去生成数据集了， 通过...
李宏毅机器学习笔记：Adaptive Learning Rate算法详解与应用
本篇文章是关于李宏毅的机器学习学习笔记，主要聚焦于Adaptive Learning Rate在深度神经网络训练中的应用。Adaptive Learning Rate是一种策略，旨在解决固定学习率在训练过程中可能遇到的问题，如过早停止在非全局最...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值