AI速递

简 要 目 录 这是一本面向人工智能，特别是深度学习初学者的书，本书旨在帮助更多的读者朋友了 解、喜欢并进入到人工智能行业中来，因此作者试图从分析人工智能中的简单问题入手，一 步步地提出设想、分析方案以及实现方案，重温当年科研工作者的发现之路，让读者身临其 境式的感受算法设计思想，从而掌握分析问题、解决问题的能力。这种方式也是对读者的基 础要求较少的，读者在学习本书的过程中会自然而然地了解算法的相关背景知识，体会到知 识是为了解决问题而生的，避免出现为了学习而学习的窘境。 尽管作者试图将读

深度卷积生成对抗网络的无监督表示学习 近年来，卷积网络的监督学习在计算机视觉应用中得到了广泛的应用。相比之下，使用中枢神经系统的无监督学习受到的关注较少。在这项工作中，我们希望帮助弥合监督学习和非监督学习的中枢神经系统之间的差距。我们引入了一类称为深度卷积生成对抗网络(DCGANs)的CNNs，它们具有一定的体系结构约束，并证明了它们是无监督学习的强有力的候选对象。在各种图像数据集上进行训练，我们展示了令人信服的证据，表明我们的深度卷积对抗对在生成器和鉴别器中学习了从对象部分到场景的表示层次。此外，我们将所

1：摘要 在本文中，我们介绍了一种能够生成的生成参数模型高品质的自然图像样本。 我们的方法使用拉普拉斯金字塔框架内的级联卷积网络来生成图像从粗到细的方式。 在金字塔的每个层次上，都使用生成对抗网络（GAN）的方法来训练一个单独的生成convnet模型[10]。从我们的模型中抽取的样本比其他样本具有更高的质量方法。 在人工评估人员的定量评估中，我们的CIFAR10样本被误认为是真实图像的时间约为40％，而误判为10％从GAN基线模型中提取的样本。 我们还显示了来自模型的样本在LSUN场景数据集的高分辨率图像.

1：Generative Adversarial Nets 生成对抗网络最近被引入作为一种训练生成模型的新方法。它们由两个“对抗性”模型组成：生成模型G捕获数据分布，还有一个判别模型D，该模型估计样本来自训练的概率数据而不是G。G和D都可以是非线性映射函数，例如多层感知器。要了解数据数据x上的生成器分布pg，生成器可从中构建映射函数 到数据空间的先前噪声分布pz（z）为G（z;θg）。 鉴别器D（x;θd）输出一个单一的标量，表示x来自训练数据而不是pg的概率。 G和D都同时训练：我们调整G的参数以使lo.

摘要： 我们提出了一个新的框架来通过对抗过程来估计生成模型，在该框架中，我们同时训练了两个模型：生成模型G捕获数据分布，以及判别模型D估计样本来自训练数据而不是G的概率。G的训练过程是使D犯错的概率最大化。 这框架对应于一个minimax两人游戏。 在任意空间功能G和D，存在唯一的解决方案，其中G恢复训练数据分布和D等于12到处。 在定义了G和D的情况下通过多层感知器，可以对整个系统进行反向传播训练。在训练或样本生成期间，不需要任何马尔可夫链或展开的近似推理网络。实验证明通过定性和定量评估框架的潜力生成的样