[学习笔记-深度学习篇]生成式对抗网络

最新推荐文章于 2025-12-04 14:13:28 发布
原创 最新推荐文章于 2025-12-04 14:13:28 发布 · 177 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习

这篇博客介绍了生成式对抗网络（GAN）的基本原理，它包含两个模型：生成模型和判别模型。通过不断博弈，生成模型尝试生成逼真的图片，而判别模型努力区分真假图片。当判别模型无法分辨时，对抗过程达到平衡。这是一个深入理解GAN的好起点。
部署运行你感兴趣的模型镜像

之前对深度学习也有一些浅层了解，也对一些简单的模型做过训练，不过没有深入，有点可惜，后面找机会整理一下。

生成式对抗网络，看到了稍微整理一下。

生成式对抗网络中含有2种模型，生成模型和判别模型，整个工作过程简单来说就是：生成模型不断生成图片，判别模型不断判断区分，如此往复的博弈过程，直到判别模型无法区分生成的图片与真实图片，对抗过程就结束。

参考
到底什么是生成式对抗网络GAN？

您可能感兴趣的与本文相关的镜像

GPT-SoVITS

GPT-SoVITS

AI应用

GPT-SoVITS 是一个开源的文本到语音（TTS）和语音转换模型，它结合了 GPT 的生成能力和 SoVITS 的语音转换技术。该项目以其强大的声音克隆能力而闻名，仅需少量语音样本（如5秒）即可实现高质量的即时语音合成，也可通过更长的音频（如1分钟）进行微调以获得更逼真的效果

深度学习笔记——生成对抗网络GAN
haopinglianlian的博客
11-29 3042
本文详细介绍早期生成式AI的代表性模型：生成对抗网络GAN。
[李宏毅老师深度学习视频] 生成式对抗网络(GAN)【持续更新】
Bessie_Lee
08-26 1619
在李宏毅老师的视频中，并没有一开始就讲解什么是GAN，他先引入一个问题，为什么会有生成式对抗网络呢？他采用了一个小游戏进行介绍。游戏说明：一个小精灵可以从一个出发点出发到任意画面的位置去，我们根据小精灵的到达位置去训练一个network模型，从而预测到小精灵的位置。然而，出现了一个很离谱的画面：小精灵在转弯的时候居然分裂成了两个，还带上了虚影（？？这是什么离谱位置，转弯不成，直接分裂人物？？）为什么会有这种分裂的问题出现呢？...
深度学习笔记38-生成对抗网络GAN入门(Pytorch)
m0_67869333的博客
10-02 839
import os## 创建文件夹os.makedirs("./images/", exist_ok=True) # 记录训练过程的图片效果os.makedirs("./save/", exist_ok=True) # 训练完成时模型保存的位置os.makedirs("./datasets/mnist", exist_ok=True) # 下载数据集存放的位置## 超参数配置b1 = 0.5b2 = 0.999n_cpu = 2。
深度学习（4）---生成式对抗网络(GAN)
m0_62881487的博客
10-29 2845
生成式对抗网络（Generative Adversarial Network，GAN）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。它启发自博弈论中的二人零和博弈（two-player game），两位博弈方分别由生成模型（generative model）和判别模型（discriminative model）充当。判别模型用于判断一个给定的图片是不是真实的图片（从数据集中获取的图片），生成模型的任务是去创造一个看起来像真的图片一样的图片。两个模型一起对抗训练。
《深度学习》------生成对抗网络（GAN）学习笔记
Naruto_8的博客
01-21 4539
1.生成对抗网络的（GAN）的原理 GAN的思想：一种二人零和博弈思想（two-player game），博弈双方的利益之和是一个常数。 就像电影《猫鼠游戏》，生成网络G可以被看做是假支票的制造者，他们试图制造假支票并且在不被发现的情况下使用，而辨别网络类似于警察，他们试图检测假支票。这个游戏中的竞争促使两个团队改进他们的方法， 生成对抗网路（GAN）分为两个部分：生成网络G（Generator）和判别网络D（Disciminator） （1）生成网络G：生成器，负责生成假数据 （2）辨别网络D：辨
GAN生成式对抗网络2--李宏毅机器学习笔记
knofrab的博客
03-29 975
GAN 的 Generator 训练完成后，我们需要判断它生成的图像到底“好不好”。：Discriminator和Generator需要“棋逢对手” ，否则可能无法获取有用的梯度；：梯度无法直接传导至离散输出（token），常需强化学习（如SeqGAN）配合。Generator 忽略某些真实分布中的子类别（如图中右边的星星）；：早期的 GAN 论文几乎都是靠“放几张图让人看”，没有量化指标；：Generator 只生成一种样式的图像，缺乏多样性；表示分类器越“有信心”，图像更清晰，质量可能越高；
【深度学习】李宏毅2021/2022春深度学习课程笔记 - Generative Adversarial Network 生成式对抗网络（GAN）
热门推荐
知不足而奋进，望远山而前行
11-10 2万+
下面是小精灵游戏画面，有很多小精灵在“迷宫”里走动。现给出一个需求，需要通过当前的游戏画面，预测下一帧的画面传统神经网络的做法是，将前面一帧或几帧的画面图片作为特征，当前画面图片作为标签进行训练，目的是使得通过历史画面，输出的画面和当前画面越接近越好。有人按照这样的思路做了，结果出现了一个问题，小精灵在走到岔路口时，会一分为二，分裂成两个小精灵，这是为什么呢？这是因为在岔路口时，即使是同样的历史画面，小精灵也有可能向左走或者向右走，所以在训练集里，很存在这样“矛盾”的标签，即同样的特征，但是输出不同，为了满
[深度学习初识 - 实操笔记] GAN生成式对抗网络-动漫人脸生成
iamfishman
05-10 3093
生成对抗神经网络 1. 流派:GAN、FLOW流、VAE、pixeLCM、pixeLRM 2.GAN（无监督） （1）判别网络 用神经网络充当loss。即判别器获取输入图片（随机分布生成）和真实图片对比，利用反向传播算法使随机生成图片逼近真实图片。 （2）生成网络 第一次固定权重，按随机分布生成图片，放入判别器。生成的图片服从分布。 （3）训练目标 判别器训练：判别生成图片和真实图片的真假越来越准确。 生成器训练：生成的图片，使得判别器判别不出真假。 判别器和生成器对抗式训练。 判别器和生成器一开始不能够太
深度学习 - 深度生成网络
qq_40671063的博客
05-12 1608
hopfield、 玻尔兹曼机、受限玻尔兹曼机、深度玻尔兹曼机、对比散度训练、深度信念网络、自编码器、降噪自编码器、稀疏自编码器、栈式自编码器
Tensorflow学习笔记----生成对抗网络GAN原理及实现
weixin_43580130的博客
08-25 1022
生成对抗网络（Generative Adversarial Networks，GAN） 是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。生成对抗网络模型主要包括两部分：生成模型(Generator) 和 判别模型(Discriminator) 。生成模型是指我们可以根据任务、通过模型训练由输入的数据生成文字、图像、视频等数据。 下图为一个典型的生成对抗网络，输入就是一副图像，会存在两个数据集，一个是真实数据集，另一个是生成模型造出来的；判别模型判断并输出就是一个概率值，用于判断真假使.
【第十一周】李宏毅机器学习笔记09：生成式对抗网络1
qq_30043925的博客
09-08 1029
本周学习了生成式对抗网络，了解了生成器和判别器的基础原理，同时学习了 GAN 的训练过程和算法思想。最后了解了 Wasserstein Distance，学习了 WGAN 的一点基础。生成对抗网络（GAN）由生成器和判别器两部分组成：生成器学习生成类似真实数据的样本，而判别器则负责区分真实数据与生成的数据。传统的GAN采用最小最大博弈框架，其中生成器试图“欺骗”判别器，使它难以分辨真假，而判别器则努力准确地区分真实数据和生成数据。
【民族服饰识别系统】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积网络+resnet50算法
子午的博客
11-30 810
民族服饰识别，民族服饰智能识别与分析系统基于TensorFlow框架，采用卷积神经网络（CNN）算法构建而成。系统在收集了回族、汉族、满族、苗族四类典型民族服饰图像数据集的基础上，通过多轮迭代训练，最终生成高精度识别模型，并配合Web可视化平台实现便捷交互。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。登录系统后可发布、查看、编辑文章，创建文章功能中集成了markdown编辑器，可对文章进行编辑。
【动物识别系统】Python+TensorFlow+Django+人工智能+深度学习+卷积神经网络算法
子午的博客
12-01 424
动物识别系统，基于TensorFlow搭建Resnet50卷积神经网络算法，通过对4种常见的动物图片数据集（猫、鸡、马、狗）进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。技术栈项目前端使用Html、CSS、BootStrap搭建界面。后端基于Django处理逻辑请求基于Ajax实现前后端数据通信选题背景与意义在人工智能技术蓬勃发展的当下，动物识别作为计算机视觉领域的重要应用方向，有着广泛的实际需求，如动物保护监测、智能安防等场景均需精准高效的动物识别能力。
深入浅出卷积神经网络（CNN）：从LeNet到Vision Transformer的演进及其实战应用
最新发布
云雾J视界的博客
12-04 730
本文系统梳理卷积神经网络从LeNet到Vision Transformer的演进脉络，聚焦“为何选用ResNet而非VGG”这一典型面试问题，揭示其背后的技术选型逻辑。文章基于CVPR、ICLR等顶会论文及MLPerf等公开基准，深入剖析四代架构——奠基（LeNet/AlexNet）、深度爆发（VGG/ResNet）、效率觉醒（MobileNet）与注意力时代（ViT/ConvNeXt）的核心创新与工程权衡。
深度学习实战（基于pytroch）系列（四十一）长短期记忆（LSTM）pytorch简洁实现
echo的博客
11-29 1090
本文介绍了使用PyTorch简洁实现长短期记忆网络(LSTM)语言模型的方法。首先读取周杰伦歌词数据集并进行预处理，然后定义包含LSTM层和全连接层的RNN模型类，其中LSTM需要同时处理隐藏状态和细胞状态。文章详细展示了模型初始化、预测函数实现以及训练过程，包括梯度裁剪和数据迭代器设计。通过对比手动实现，突出了PyTorch框架在简化LSTM实现方面的优势，为自然语言处理任务提供了高效的解决方案。
深度学习1-软件安装
诚朴勇毅
12-03 264
为了研究深度学习与信号处理的结合，我又开始搞起了深度学习，博一的时候浅试过一次都失败了，这次打算学习一下Pytorch和一些最新的网络，好好做几篇论文。首先就是搭环境。我先安装了一个Anaconda，从网上搜了一大堆，我的理解是，Anaconda就是一个包管理器，因为pythoh版本太多了，而且要装的包也很多，各种包之间容易产生冲突，为了杜绝这个问题，我们可以安装一个Anaconda，它就像一个虚拟机，可以创建不同的操作系统，我们创建的不同任务和工程可以跑在不同的环境下。
【代码分享】基于CNN（卷积神经网络）-BiLSTM（双向长短时记忆网络）-KDE（核密度估计）的多变量时间序列预测
2501_94304238的博客
11-30 1704
本文提出了一种基于CNN-BiLSTM-KDE的多变量时间序列预测模型。该模型结合CNN提取时空特征，BiLSTM捕捉时序依赖，并创新性地引入KDE进行误差分布建模，实现高精度的点预测和可靠的区间预测。模型支持任意维度的风电、光伏等能源数据输入，自动完成预处理、训练和预测全过程。实验结果表明，该方法在预测精度和不确定性量化方面表现优异，为能源预测等场景提供了端到端的解决方案。
循环神经网络（RNN）：从序列数据难题到实战落地的完整指南
倔强的石头的博客
12-01 1016
循环神经网络（RNN）是专为处理序列数据设计的深度学习模型，解决了传统神经网络无法捕捉序列依赖关系的核心问题。RNN通过记忆状态（Hidden State）实现短期记忆功能，在处理文本、时间序列等数据时能够保留前序信息。其核心结构包括输入层、循环单元和输出层，通过共享权重参数实现序列元素的连续处理。然而，传统RNN存在梯度消失/爆炸的缺陷，导致长序列处理能力受限。为此，LSTM和GRU等改进模型引入门控机制，通过遗忘门、输入门和输出门精细调控记忆更新，显著提升了长序列建模能力。
深度学习调参手册：学习率、Batch Size 的最优搭配策略
dream_it_come_in的博客
11-30 1149
绑定关系：LR 与 BS 是 “步长” 和 “导航精度” 的关系，大 BS 配大 LR，小 BS 配小 LR，遵循 “线性缩放原则”；场景优先：显存充足选大 BS + 适配 LR，显存不足选小 BS + 小 LR + 梯度累积，特殊任务针对性调整；迭代验证：先定 BS 基线，再配初始 LR，最后对比多组组合，以验证集性能为核心指标。
深度学习入门与知识点总结精选笔记本
4. 高级话题：书中还涵盖了一些高级主题，如自编码器、生成对抗网络(GAN)、强化学习等，为有兴趣进一步深入研究的读者提供了方向。 此外，教程会根据深度学习的最新进展不断更新，确保内容的时效性和前瞻性。每个...
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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