GAN（李宏毅课程-未完）

最新推荐文章于 2024-09-07 17:31:12 发布
最新推荐文章于 2024-09-07 17:31:12 发布
阅读量114 收藏
点赞数
分类专栏： 李宏毅课程笔记 文章标签： ai
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/qq_40438523/article/details/121108302
版权
本文介绍了生成对抗网络(GAN)的基本原理，包括生成器(generator)和判别器(discriminator)的作用。通过正常分布的输入，生成器可以产生多样化的输出，而判别器则负责区分生成图片与真实图片，以此不断优化生成器的表现。

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

GAN


#Genetator

在这里插入图片描述
根据不同分布的z可以得到不同分布的y，y称为generator

例子：link
在这里插入图片描述
即对于同样的输入可能有不同的输出（可能右转可能左转）

Generative Adversarial Network

  1. unconditional generation
    在这里插入图片描述
    这里选择normal distribution，因为复杂的内容可以交给generator

在这里插入图片描述
除了generator之外，我们还需要一个discriminator，用于检测generator迭代过程中的结果
在这里插入图片描述
discriminator会比对generator生成的图片和真实图片之间的关系，继而要求的更加严苛。（类似假钞和警察，假钞会越来越像）

对于生成图片和真实图片之间区分，则是一个分类问题，因此discriminator就是做一个分类器。
在discriminator分类器结束后，generator要训练网络使得输出的y输入到discriminator后得到的分类结果（可能是得分越大越好）
因此具体的算法过程
step1：固定G，更新D，标签就是真实图片和生成图片的分类
step2：固定D，更新G，使得G-D网络分数越大越好（越接近分类

（还差三个视频）

李宏毅老师-生成式对抗网络（GAN）Part1
weixin_46675905的博客
05-06 520
慢慢来，会更好！ 大家好，我是一个想研究又不会研究的研究生 陪伴大家一起学习成长！ 我们以前学习到的network可以输出一个数值、类别等 接下来，我们要接触一些新的主题 **network as Generator** 以前是input只有x，现在我们加入进来一个z，这个z是从某一个distribution simple出来的 我们要input x与z 才能输出y，那network怎么同时接受x与z呢 有很多方法，比如x与z都是向量可以接起来或者维度相同的话相加当做input z特别的地方是不固定
李宏毅课程-机器学习 PM2.5预测
weixin_41221544的博客
03-23 876
前言 目前有在 百度 的 AI Studio 上的李宏毅课程-机器学习特训营上学习，有练习到回归问题中的练习题，采用逻辑回归的方法去尝试编写程序回归预测PM2.5的值。尝试把一些心得记录下来！ 项目描述 本次作业的资料是从行政院环境环保署空气品质监测网所下载的观测资料。 希望大家能在本作业实现 linear regression 预测出 PM2.5 的数值。 数据集介绍 本次作业使用丰原站的观测记录，分成 train set 跟 test set，train set 是丰原站每个月的前 20 天所有资
李宏毅机器学习笔记【未完】
AbyssssssssssS的博客
05-17 1999
李宏毅2021/2022春机器学习课程 【《2021机器学习-李宏毅》学习笔记】 一、机器学习 1.机器学习基本概念 找一个函数。 深度学习：使用类神经网络的函数。 可以有各式各样的输入：向量，矩阵（如图像），序列（如语音，文本）；也可以有各式各样的输出：数值（regression），类别（classification），文本图像… 函数类别 Regression（回归）：输出是一个数值（scalar） Classification（分类）：给定选项/类别（classes），输出正确的 Structur
W-GAN系 (Wasserstein GAN、 Improved WGAN)
weixin_30540691的博客
02-27 842
学习总结于国立台湾大学 ：李宏毅老师 WGAN前作：Towards Principled Methods for Training Generative Adversarial Networks WGAN： Wasserstein GAN Improved WGAN: Improved Training of Wasserstein GANs 本文outline 一句话...
李宏毅学习笔记30.GAN.01.Introduction of Generative Adversarial Network
老毛的博客
05-03 1427
文章目录简介GenerationBasic Idea of GANGeneratorDiscriminator二者的关系Algorithm语言描述版数学描述版例子：Anime Face GenerationGAN as structured learningStructured LearningStructured Learning面临的挑战Structured Learning Approach...
非监督学习（三）GAN（生成二次元人脸）
lengjiayi的博客
05-08 3632
2. GAN 2.1 原理 2.1.1 概述 ​\qquadGAN最基本的原理其实就是Generator和Discriminator互相对抗共同进步的过程，有点像回合制游戏。一般的生成模型在产生新的输出时一般都是通过已有数据的合成，因此很模糊，而GAN就不会。在每一轮训练中D(Discriminator)都尽量将上一轮中Generator的输出标记为0，将原始数据集标记为1，而G(Generato...
生成对抗网络（GAN网络）
qq_1532145264的博客
09-07 738
Generative Adversarial Nets
GAN笔记——理论与实现
weixin_34409822的博客
08-07 400
GAN这一概念是由Ian Goodfellow于2014年提出，并迅速成为了非常火热的研究话题，GAN的变种更是有上千种，深度学习先驱之一的Yann LeCun就曾说,"GAN及其变种是数十年来机器学习领域最有趣的idea"。那么什么是GAN呢？GAN的应用有哪些呢？GAN的原理是什么呢？怎样去实现一个GAN呢？本文将一一阐述。具体大纲如下： 1.什么是GAN？ 1...
李宏毅深度学习自用笔记（未完）
weixin_61881981的博客
11-22 431
机器学习是要让机器找到一个函数，类似于语音识别（输入语音输出文字）、图像分类（输入图片，输出类别）、AlphaGO下围棋（输入棋盘状态输出下一步落棋位置）这样的函数。运用最多的是两大类函数：回归和分类。回归（Regression）：输出是一个连续的数值、标量。我的理解就是根据以往的数据对未知的一个预测。 应用：比如PM2.5的预测。分类（Classification）：输出是一个离散的值。 应用：二分类（Binary Classification），输出是0或1、Yes或No、正面或负面（情感分析）。 多分
AI模型的大一统！多模态领域乱杀的十二边形战士
深度学习技术前沿
09-03 502
作者丨战斗系牧师@知乎来源丨https://zhuanlan.zhihu.com/p/558533740编辑丨极市平台无敌的十二寸Pizza饼战士BEIT3说在前面的话（有点小长，可以直接跳过的）期待在Swin-v2出来不久之后，我预感一个很棒的大一统模型很快就会到来了，当时，我躺在床上，给我的好伙伴写下了必胜的AI模型配方！大数据量+大模型架构+MAE（mask data）+多模态训练方式写下这...
台大-李宏毅-B站机器学习视频-课件.zip
09-30
台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器学习视频-课件.zip台大-李宏毅-B站机器...
李宏毅--一天搞懂深度学习
12-06
李宏毅2018年最新版，一天搞懂深度学习，入门理解的最好资料
李宏毅 GAN课程PDF讲义分享-附件资源
03-05
李宏毅 GAN课程PDF讲义分享-附件资源
基于外插法的永磁同步电机高频方波注入无传感器Simulink仿真模型(C语言实现)
05-09
内容概要：本文详细介绍了全C语言编写的基于外插法的永磁同步电机高频方波注入无传感器Simulink仿真模型。主要内容涵盖方波电压信号的生成与处理，包括开关频率5kHz、注入信号频率2.5kHz的正负辨别、电流误差分离、外插法解析、Atan反正切计算角度等。此外，文章深入讲解了永磁同步电机的Foc磁场定向控制框架的实现，包括Clarke Park变换、iPark控制、Svpwm等关键技术，并实现了转速和转矩的斜坡函数。该算法能够适应低速重载工况，成功加载至额定载荷，并展示了实际角度、估算角度、角度误差、实际转速、估算转速、转速误差和电流波形等关键参数。为了优化大功率应用中的开关频率低问题，文中还讨论了IGBT导通和关断过程的死区时间设置。 适合人群：从事电机控制领域研究和技术开发的专业人士，尤其是对永磁同步电机无传感器控制感兴趣的工程师。 使用场景及目标：适用于需要深入了解和实现永磁同步电机无传感器控制的研究人员和工程师。目标是提供一个高效的仿真模型，帮助理解和优化永磁同步电机的控制算法，特别是在低速重载工况下。 其他说明：该仿真模型已在DSP28335平台上进行了验证，提供了完整的源代码，便于后续独立算法开发和实际应用。
化工分离过程天津大学ppt.7z
最新发布
05-09
化工分离过程天津大学ppt.7z
ANSYS斜拉桥建模教程：大跨度斜拉板桁结构模型命令流全解析
05-09
内容概要：本文档是一份详细的 ANSYS 斜拉桥建模教程，涵盖了从图纸分析到最终模型建立的全过程。主要内容包括：图纸与建模思路分析、CAD 三维快速建模、Midas 预处理应用、手把手带写命令流、截面实常数讲解、斜拉索规格介绍、拉索实常数定义、板桁结构二期实常数与单主梁模型区别、板单元等效厚度计算、面内与面外厚度的理解以及支座模拟。通过这些步骤，读者能够掌握斜拉桥建模的关键技术和细节。 适合人群：土木工程专业学生、桥梁设计师、结构工程师及其他对斜拉桥建模感兴趣的从业人员。 使用场景及目标：适用于需要深入了解斜拉桥建模流程和技术细节的专业人士，旨在帮助他们掌握 ANSYS 软件的实际操作技能，提升桥梁设计和分析的能力。 其他说明：文档提供了丰富的实例和详细的命令流解析，有助于读者在实践中加深理解和掌握相关技术。
南京大学论文答辩ppt模板毕业论文答辩PPT模板
05-09
南京大学论文答辩ppt模板毕业论文答辩PPT模板
工业自动化中科尔摩根AKD伺服驱动器与西门子S7-1200/1500 PLC PROFINET IO通讯配置指南
05-09
内容概要：本文详细介绍了科尔摩根AKD伺服驱动器与西门子S7-1200/1500 PLC之间的PROFINET IO通讯配置步骤及其实践经验。主要内容涵盖配置程序V16、GSDML文件的正确使用、设备间‘方言’适配的方法、确保PLC准确识别驱动器的关键参数设置、数据交换区配置对控制精度的影响以及调试过程中可能遇到的问题及解决方案。此外，还分享了一些提高通讯效率的小技巧，如禁用自动IP分配、正确配置网口、优化通讯周期等。文中提到的实际案例表明，该配置方案已在包装生产线成功应用并表现出良好的稳定性。 适合人群：从事工业自动化领域的工程师和技术人员，特别是那些负责PLC与伺服驱动器集成工作的专业人士。 使用场景及目标：帮助工程师们掌握科尔摩根AKD伺服驱动器与西门子S7-1200/1500 PLC之间建立高效稳定的PROFINET IO通讯的具体方法，从而提升生产效率和系统可靠性。 其他说明：文中提供的配置方案已经经过实际项目的验证，能够应对复杂的工业环境挑战，如电网波动和紧急停止等情况。同时提醒使用者关注驱动器固件版本与GSDML文件的兼容性问题。
基于注意力机制与LSTM的MATLAB多特征风功率预测模型及其应用
05-09
内容概要：本文介绍了一种利用注意力机制与LSTM构建的多特征风功率预测模型，适用于MATLAB 2021及以上版本。该模型采用三个特征变量（如风速、风向、温度）来预测风功率输出，并展示了真实值与预测值的对比图以及线性拟合图。文中详细解释了注意力机制的作用，即通过动态调整各特征的权重，提高模型对重要信号的捕捉能力。此外，还提供了调参技巧和扩展应用场景，如用于金融数据预测。 适合人群：具有一定MATLAB编程基础的数据科学家、机器学习工程师、风电行业从业者。 使用场景及目标：① 构建多特征时间序列预测模型；② 提高预测精度，特别是对于非平稳时间序列数据；③ 学习注意力机制在深度学习中的应用。 其他说明：模型效果依赖于数据质量和特征选择，建议使用者根据实际情况进行适当调整。
李宏毅课程作业-微型食品分类数据集
整个数据集是李宏毅视频课程作业的一部分，适用于学习机器学习和深度学习相关知识。" 在深入分析这个数据集之前，我们先来探讨一下它的应用背景和相关技术知识。食物分类任务是计算机视觉领域的一个典型应用，通常...
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