qq_44031210的博客

文章目录一、GAN基本原理1.1概述1.2推导（1）首先补充最大似然估计和KL Divergence之间的关系（2）Generator的任务（3）Discriminator的任务（4）训练过程二、.基于GAN的半监督原理2.1概述2.2损失函数推导2.3损失函数在代码中的具体体现三、代码实现3.1数据预处理（data.py）（1）导入包（2）定义数据类3.2模型Generator，Discriminator，权重初始化（model.py）（1）导入包（2）Generator（3）Discriminator（

文章目录一、Cycle GAN（CGAN）原理1.1Conditional GAN1.2Unsupervised Conditional GANNo.1 Direct Transformation，直接转换No.2 Projection to Common Spcae，先编码出抽象特征，在解码转换为图像二、代码部分2.1超参数2.2数据预处理2.3网络2.4优化器和损失函数三、运行结果3.1CUDA占满问题3.2训练过程（1）Epoch:10（2）Epoch:20（3）Epoch:50（4）Epoch:10

DCGAN生成图像小结一、MINIST数据集测试1.1代码相关参数说明1.2训练过程（1）Epoch:2（2）Epoch:3（3）Epoch:4（4）Epoch:5（5）Epoch:10（6）Epoch:20（7）汇总一、牛津花卉数据集测试1.1代码相关参数说明2.2训练过程（1）Epoch:20（2）Epoch:50（3）Epoch:100（4）Epoch:200（5）Epoch:500（6）Epoch:1000（7）汇总三、二次元头像数据集测试3.1代码相关参数说明3.2第一阶段（1）400epoch（

文章目录1.实现效果2.环境配置2.1Python2.2Pytorch、CUDA2.3Python IDE3.具体实现3.1数据预处理（data.py）（1）导入包（2）定义数据类3.2模型Generator，Discriminator，权重初始化（model.py）（1）导入包（2）Generator（3）Discriminator（4）权重初始化3.3网络训练（net.py）（1）导入包（2）创建类3.4 主函数（main.py）（1）导入文件（2）定义超参数（3）实例化（4）进行训练4.训练过程4.1

文章目录1.实现效果2.环境配置2.1Python2.2Pytorch、CUDA2.3Python IDE3.具体实现3.1数据预处理（data.py）（1）导入包（2）定义数据类3.2模型Generator，Discriminator，权重初始化（model.py）（1）导入包（2）Generator（3）Discriminator（4）权重初始化3.3网络训练（net.py）（1）导入包（2）创建类3.4 主函数（main.py）（1）导入文件（2）定义超参数（3）实例化（4）进行训练4.训练过程4.1

【Pytorch】DCGAN实战（一）：基于MINIST数据集的手写数字生成1.实现效果2.环境配置2.1Python2.2Pytorch、CUDA2.3Python IDE3.具体实现3.1数据预处理（data.py）（1）导入包（2）定义数据类3.2模型Generator，Discriminator，权重初始化（model.py）（1）导入包（2）Generator（3）Discriminator（4）权重初始化3.3网络训练（net.py）（1）导入包（2）创建类3.4 主函数（main.py）（1）