qq_45882032的博客

输入一个域的图片转换为另一个域的图片（白天照片转成黑夜）如下图，输入标记图片，输出真实图片缺点就是训练集两个域的图片要一一对应，所以叫pixtopix，网络结构有点复杂，用到了语义分割的UNET网络结构数据集：地址忘了，也是官方的，想起来补代码：这里是建筑物labels to facade的例子给动漫素描自动上色的（AI上色）移步我的kagglehttps://www.kaggle.com/code/jiyu...

原生GAN（Generative Adversarial Nets）训练过程也是老三步了，再啰嗦一遍：使用真实图片训练辨别器，标签为真使用生成器生成的图片训练判别器，标签为假，此时图片使用生成器计算得来的，喂给判别器时要截断梯度，防止更新时把生成器也更新了训练生成器，使用生成的图片喂给判别器，标签为真，更新生成器论文地址：https://arxiv.org/abs/1406.2661GAN之父了可以说是，在mnist数据集上的生成器网络架构，详细代码见我以前博文的第二段代码：原生GAN代

数据集kaggle：https://www.kaggle.com/datasets/soumikrakshit/anime-faces代码import torchimport torch.nn as nnimport torch.nn.functional as Fimport matplotlib.pyplot as pltfrom torch.utils import datafrom torchvision import transformsimport globfrom PIL

数据集香港中文大学，CeleA数据集，http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html总共202599张面部图片。制作HDF5压缩格式文件分层数据格式（hierarchical data format）是一种成熟的，开源的压缩数据格式，专门用于存储非常大量的数据。在《PyTorch 生成对抗网络编程》[英]塔克里·拉希德一书中将数据处理成HDF5格式运行代码，本来想重构一下的。然后发现如果用ImgaeFloder直接读取的话基本要重构所有代码。还是制

GAN(Generative Adversarial Network)，网络也如他的名字一样，有生成，有对抗，两个网络相互博弈。我们两个网络起个名字，第一个网络用来生成数据命名为生成器（generator），另一个网络用来鉴别生成器生成的数据我们命名为鉴别器（discriminator）。

使用转置卷积对图像进行去噪处理，经过处理的图像平均PSNR上升5.32dB

数据集下载百度网盘：链接：https://pan.baidu.com/s/10Mjq7K7hHfPS322_w86gGg提取码：3hqf这是kaggle上面的一个数据集，有能力的同学也可以去原网址下载效果SGD:其实在20轮左右的时候拟合效果就非常好了，没有必要训练80epoch,这里训练80主要是和Adam作比较。Adam：注意：下图loss算错了，所以看起来飘忽不定的，你们就当不存在（写成最后一批的loss了，应该写一轮的）代码注意：1，大部分代码源自《Pytorch深度学习入

本文是《Pytorch深度学习入门与实战》，中国水利水电出版社一书中的例子数据集：链接：https://pan.baidu.com/s/1rODLa65Js4K5rZ1iMDQ2DA提取码：d8fc代码全连接神经网络（Multi-Layer Perception，MLP）或称多层感知机。以下实现了对垃圾邮件的分类训练代码：import numpy as npimport pandas as pdfrom sklearn.preprocessing import StandardScaler