生成对抗网络
关注
分享
扫一扫
文章平均质量分 74
小鱼同学啦
正在学习人工智能ing
展开
-
【对抗网络】CycleGAN模型讲解和代码实现
cycleGAN适用于非配对的图像到图像转换，cycleGAN解决了需要对数据进行训练的困难。可以理解为一种风格上的转换。原创 2023-11-18 22:50:12 · 1336 阅读 · 2 评论 -
【对抗网络】Pix2pix GAN模型讲解和代码实现
Pix2pix GAN主要用于图像之间的转换，又称图像翻译（Image Translation)，Pix2pix GAN 其实本质上是一个CGAN，将图片 x 作为CGAN的条件y，输入到G和D中。G的输入是x（x是需要转换的图片），输出是生成的图片G（x）。D则需要分辨出 {x，G(x)} 和 {x，y}。原创 2023-11-13 00:08:47 · 6548 阅读 · 10 评论 -
【对抗网络】CGAN模型讲解和代码实现
CGAN将 无监督学习 转为 有监督学习，使得网络可以更好的在我们掌控下进行学习。原创 2023-11-12 21:19:48 · 3327 阅读 · 1 评论 -
【对抗网络】Gan的基本公式详解
本文将对Gan的基本公式进行一个详细的解释，此后的多种对抗网络的形式都是基于本文的基本公式进行一定的演变而来，所以清楚地了解Gan的基本公式，对以后的Gan网络学习，意义深远而重大。原创 2023-11-05 15:54:46 · 1388 阅读 · 1 评论 -
【对抗网络】基础GAN网络模型讲解和代码实现
GAN是一种深度神经网络架构，由一个生成器和一个判别网络组成。生成网络生成“假数据”，并试图欺骗判别网络；判别网络对生成数据进行真伪鉴别，试图正确识别所有“假数据”。在训练迭代的过程中，两个网络持续的进化和对抗，就像两个对弈的人，直到平衡状态（参考纳什均衡），判别网络无法再识别“假数据”，训练结束。原创 2023-11-12 16:49:41 · 485 阅读 · 1 评论 -
【对抗网络】DCGAN模型讲解和代码实现
DCGAN就是将CNN和原始地GAN结合到一起，生成模型和判别模型都运用了深度卷积神经网络的生成对抗网络。DCGAN将CNN和GAN结合，奠定了之后几乎所有GAN的基本网络架构。总之，DCGAN极大地提升了原始GAN训练地稳定性和生成结果质量。原创 2023-11-12 19:25:49 · 6838 阅读 · 6 评论