李宏毅深度学习笔记14（GAN-02）

最新推荐文章于 2025-05-09 14:15:27 发布
最新推荐文章于 2025-05-09 14:15:27 发布
阅读量338 收藏
点赞数
文章标签： 深度学习
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。
本文链接：https://blog.youkuaiyun.com/m0_56404848/article/details/118993543
版权
本文探讨了在深度学习中如何控制生成对象，主要介绍Conditional GAN在Text-to-Image、image-to-image、patch GAN和speech enhancement、video generation等场景的应用。通过改变Discriminator的输入实现条件生成，解决了传统方法的局限性，增强了生成效果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本节考虑如何控制生成对象。将GAN变为Conditional GAN，两者的Generator是相同的，不同的是Discriminator。

Text-to-Image

传统的做法：如下图所示，但是如果训练的图片是多个角度的，这样机器两边都学习到就会产生不好的结果，让大家看不出来像什么。
在这里插入图片描述
利用GAN去做：存在的问题是discriminator只会判断图片是否清晰是否真实，而无法按条件生成想要的图片。
在这里插入图片描述

最后用到Conditional GAN：不改变generator的部分，只改变discriminator的部分，给discriminator两个输入，一个是条件，一个是对象
在这里插入图片描述

image-to-image

传统方法跟Text-to-Image的传统方法一样，就是直接输入一副图片。但是用了GAN+close之后效果明显增强（不要太注重他们的原理，先了解什么东西会带来什么效果）

最低0.47元/天 解锁文章
GAN原理
weixin_45895230的博客
02-01 326
GAN介绍
台大李宏毅生成式对抗网络(GAN)笔记-2
qq_51800276的博客
11-10 223
本篇笔记主要介绍Conditional Generation by GAN
数学角度的GAN的改进方法
abril4416的博客
03-16 482
从数学角度看GAN的改进 参考文献： 李宏毅老师对抗生成网络公开课
生成对抗网络：图像生成与改进
AI天才研究院
01-07 619
1.背景介绍 生成对抗网络(Generative Adversarial Networks，GANs)是一种深度学习算法，由伊朗的亚历山大·库尔斯克蒂(Ian Goodfellow)等人于2014年提出。GANs 的核心思想是通过两个相互对抗的神经网络来学习数据分布，一个生成网络(Generator)用于生成新的数据，另一个判别网络(Discriminator)用于判断生成的数据与真实数据之间的...
Discriminator（鉴别器）
qq_58702163的博客
10-17 852
主要用途是在生成对抗网络（GANs）中，以及其他相关的任务中，如条件生成模型和强化学习中。2.训练生成器：通过对生成器生成的数据进行评估，鉴别器提供了一个信号，帮助生成器不断提高生成的数据的质量。生成器的目标是欺骗鉴别器，使其难以分辨生成的数据是否为真实数据。1.区分真伪：在生成对抗网络中，鉴别器的主要任务是区分生成器生成的数据（伪数据）与真实数据之间的差异。总之，鉴别器在深度学习中的主要作用是评估和分类数据，特别是在生成对抗网络中，帮助生成器不断改进生成的数据，以实现更逼真的生成结果。
李宏毅深度学习笔记 ---- 简介
ZeroSwift的博客
01-17 377
文章目录概述大致类别回归二分类多分类生成具体方式监督学习增强学习无监督学习前沿研究异常检测迁移学习领域对抗学习元学习终身学习后话 概述 简单来说，深度学习的目的在与找到一个函数，并且该函数能帮助我们完成一些任务。至于是怎么样的一个数学函数，可能目前没人能够给出十分准确的解释，也没有人能够写出类似的复杂的数学函数。 大致类别 回归 回归的目的，在于能够利用输入的数据和函数，来输出一个数值，整个流程可以用下图为例。 我们可以这样理解上图所表达的意思：有一个函数F，它能够根据输入的今天和昨天的PM2.5的值，来
李宏毅GAN 学习笔记3 -- Unsupervised Conditional Generation
s1nnix的博客
12-11 479
Unsupervised Conditional Generation 无监督的条件GAN网络，简单来说就是给出两堆data（data之间没有任何的关联），machine自己学到怎么从一堆转到另外一堆。 有两种方法，第一种是Direct Transformation，直接进行转换，这种方法适用于input和output的差别比较小，比如说是颜色或者风格上的变化。 具体实现： 第二个是Projection to Common Space，这种方法适用于比较复杂的转换，就不仅仅是简单的改改颜...
李宏毅深度学习课件.rar
12-02
《李宏毅深度学习课程详解》 深度学习作为人工智能领域的重要分支，近年来在图像识别、自然语言处理、语音识别等领域取得了显著成就。李宏毅教授是国际知名的机器学习专家，他在深度学习领域的教学经验丰富，其课程...
李宏毅深度学习笔记13( GAN-01)
m0_56404848的博客
07-21 354
Basic Idea of GAN（GAN的基础概念） generator:可以通过改变参数改变所要的图片内容(比如改变矩阵中第几个数就可以改变图片中二次元人物的嘴的大小,或者头发的颜色等等). discrimination:类似于一个评分机制.图片输出后,给出相应的评分结果. generator与discrimination是属于对立关系，两者属于对抗状态，所以当generator逐渐增强和演化的时候，discrimination也不断的增强和演化。（也可以理解成和平的比喻:互相追逐学习） Algor
【学习笔记-李宏毅】GAN（生成对抗网络）全系列（一）
iioSnail的博客
07-06 3791
前言 相关链接 1. Introduction 1. 1 Basic Idea of GAN 1.2 GAN as structured learning 1.3 Generator可以自己学吗？ VAE（Variational Auto-encoder） 2. CGAN, Conditional Generation by GAN 2.1 discriminator的架构改进 2.2 Stack GAN 2.3 Image-to-image 2.4 Speech Enhancement（提升语音的质量）
GAN改进五大方向
Touch_Dream的博客
09-07 4763
Improved GAN (NIPS-2016 workshop)： 该工作主要给出了5条有助于GAN稳定训练的经验： (1) 特征匹配：让生成器产生的样本与真实样本在判别器中间层的响应一致，即使判别器从真实数据和生成数据中提取的特征一致，而不是在判别器网络的最后一层才做判断，有助于提高模型的稳定性；其实验也表明在一些常规方法训练GAN不稳定的情况中，若用特征匹配则可以有效避免
GAN 生成对抗网络
maoyl0506的博客
07-22 620
生成对抗网络学习笔记
Tensrfow GAN Discriminator 如何使用hinge loss训练
麻花
04-24 4698
hinge loss 核心点：网络的输出要确保是[-1,1]范围 之前一直用cross entrype loss这一点没有台注意，所以之前一直没写对！ hinge loss 核心代码 def Hinge_loss(pos, neg, name='Hinge_loss'): with tf.variable_scope(name): d_loss ...
【DL】6 GAN入门1——基本思想(Generator、Discriminator)、条件生成、无监督生成(直接转换、投射到公共空间)
热门推荐
YoungSeng's Blog
04-11 1万+
GAN 11. Introduction of Generative Adversarial Network (GAN)1.1 GAN的基本思想1.2 GAN作为结构化学习1.3 Generator可以自己学习吗？1.4 鉴别器能生成吗？1.5 一点理论总结 1. Introduction of Generative Adversarial Network (GAN) 在无监督学习方面有哪些最新的和潜在的突破？ 在深度学习方面，最近有哪些潜在的突破？ 各种各样的GAN，GAN的种类实在太多了，英文字母太
Pycharm（十九）深度学习
higerwy的博客
05-06 989
深度学习是机器学习中的一种特殊方法，它使用称为神经网络的复杂结构，特别是“深层”的神经网络，来学习和做出预测。深度学习特别适合处理大规模和高维度的数据，如图像、声音和文本。深度学习、机器学习和人工智能之间的关系如下图所示：深度学习⊆机器学习⊆人工智能优点：1）精度高，性能优于其他的机器学习算法，甚至在某些领域超过了人类；2）随之计算机硬件的发展，可以近似任意的非线性函数；3）近年来在学界和业界受到了热捧，有大量的框架和库可供调。缺点：1）黑箱。
Python----深度学习（基于DNN的吃鸡预测）
weixin_64110589的博客
04-27 2250
和平精英（Peace Elite）是一款受欢迎的多人在线生存射击游戏，通常被称为“绝地求生：刺激战场”。在这个游戏中，玩家被投放到一块广大的战斗区域，必须与其他玩家竞争以成为最后一个生存者。为了分析或研究《和平精英》的玩家表现，常常会收集有关比赛和玩家的数据。本数据集包含了400多万条关于玩家在游戏中的表现记录数据集介绍总体描述该数据集记录了大量玩家在不同比赛中的表现，包含了玩家的杀敌、死亡、以及使用的物品等各种重要数据。
CNN处理图片
最新发布
minato_wdz的博客
05-09 553
iltera​rgnp..array([[1/162/16erfiltera​rg−1)==[3120。
第24节：卷积神经网络(CNN)-卷积层、池化层与全连接层
2401_82355416的博客
05-08 203
卷积神经网络(Convolutional Neural Network, CNN)是深度学习领域最具代表性的网络架构之一，专门设计用于处理具有网格状拓扑结构的数据，如图像、视频、语音等。CNN通过模拟生物视觉感知机制，实现了对二维乃至三维数据的高效特征提取和模式识别。自2012年AlexNet在ImageNet竞赛中取得突破性成果以来，CNN已成为计算机视觉任务的事实标准，并广泛应用于图像分类、目标检测、语义分割、人脸识别等领域。传统全连接神经网络在处理图像数据时面临两个主要挑战：一是。
深度学习笔记——循环神经网络RNN
haopinglianlian的博客
05-09 886
本文详细介绍面试过程中可能遇到的循环神经网络RNN知识点。
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