👣GAN Step By Step (GSBS)
关注
分享
扫一扫
文章平均质量分 94
GSBS，顾名思义，我希望我自己能够一步一步的学习GAN。GAN 又名 生成对抗网络，是最近几年很热门的一种无监督算法，他能生成出非常逼真的照片，图像甚至视频。GAN是一个图像的全新的领域，从2014的GAN的发展现在，在计算机视觉中扮演这越来越重要的角色.我也想着和大家一起学习，框架实现。
风信子的猫Redamancy
在校本科大学生 B站up小白风信子的猫Redamancy 个人博客地址: https://kedreamix.github.io/
2022第十三届蓝桥杯PythonB组省一等奖，以及国赛一等奖
2022年第十二届MathorCup高校数学建模挑战赛 研究生组 二等奖
对计算机视觉，人工智能，以及机器学习等方面感兴趣
放弃不难 但坚持一定很酷
成功的法则极为简单，但简单并不代表容易
希望自己在这条路上，不孤单，不言弃，不言败
Stay Hungry,Stay Foolish
有时候没有及时回私信等等，可以发邮件咨询，1016617094@qq.com，你们的问题我都会认真看和回答的
展开
-
GAN Step By Step （一步一步学习GAN）
GSBS，顾名思义，我希望我自己能够一步一步的学习GAN。GAN 又名 生成对抗网络，是最近几年很热门的一种无监督算法，他能生成出非常逼真的照片，图像甚至视频。GAN是一个图像的全新的领域，从2014的GAN的发展现在，在计算机视觉中扮演这越来越重要的角色，并且到每年都能产出各色各样的东西，GAN的理论和发展都蛮多的。我感觉最近有很多人都在学习GAN，但是国内可能缺少比较多的GAN的理论及其实现，所以我也想着和大家一起学习，并且提供主流框架下 pytorch,tensorflow,keras 的一些实现教学原创 2022-09-28 09:20:21 · 830 阅读 · 1 评论
-
GAN Step By Step -- Step7 WGAN
WGAN，即Wasserstein GAN，算是GAN史上一个比较重要的理论突破结果，它将GAN中两个概率分布的度量从f散度改为了Wasserstein距离，从而使得WGAN的训练过程更加稳定，而且生成质量通常也更好。Wasserstein距离跟最优传输相关，属于Integral Probability Metric（IPM）的一种，这类概率度量通常有着更优良的理论性质，因此WGAN的出现也吸引了很多人从最优传输和IPMs的角度来理解和研究GAN模型。原创 2023-01-10 22:43:02 · 1438 阅读 · 3 评论 -
GAN Step By Step -- Step6 LSGAN
LSGANs 这篇经典的论文主要工作是 把交叉熵损失函数换做了最小二乘损失函数 ，这样做作者认为改善了传统 GAN 的两个问题，即传统 GAN 生成的图片质量不高，而且训练过程十分不稳定。LSGANs 试图使用不同的距离度量来构建一个更加稳定而且收敛更快的，生成质量高的对抗网络。原创 2022-10-13 08:23:11 · 520 阅读 · 0 评论 -
GAN Step By Step -- Step5 ACGAN
ACGAN的全称叫Auxiliary Classifier Generative Adversarial Network，翻译过来很简单，就是带有辅助分类器的GAN其实他的思想和CGAN很想，也是利用label的信息作为噪声的输入的条件概率，但是相比较于CGAN,ACGAN在设计上更为巧妙，他很好地利用了判别器使得不但可以判别真假，也可以判别类别，通过对生成图像类别的判断，判别器可以更好地传递loss函数使得生成器能够更加准确地找到label对应的噪声分布。原创 2022-10-05 08:00:00 · 1147 阅读 · 0 评论 -
GAN Step By Step -- Step4 CGAN
CGAN的全称叫，其实从这个名字来看，与正常的GAN比，多了一个Conditional，condition的意思就是条件，正常的GAN来说，就是通过随机噪声生成图片即可，但是对于CGAN来说，加了一些简单的条件约束，输入了标签，指定去生成特定标签的图片。我们也可以看一下两者的结构，对于GAN来说，两者的区别就是多了一个c。用一句话来总结CGAN，把标签一起送进生成器和判别器，让他们根据标签来生成/判别结果。原创 2022-10-03 08:00:00 · 918 阅读 · 0 评论 -
GAN Step By Step -- Step3 DCGAN
DCGAN,全称叫Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks顾名思义，就是在生成器和判别器特征提取层用卷积神经网络代替了原始GAN中的多层感知机。为什么这样提出呢，我们从摘要可以看到，因为CNN在supervised learning 领域取得了非常了不起的成就(比如大规模的图片分类，目标检测等等)，但是在unsupervised learning领域却没有特原创 2022-09-30 08:00:00 · 431 阅读 · 0 评论 -
GAN Step By Step -- Step1 GAN介绍
生成对抗网络GenerativeANetwork，简称GAN）是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。该方法由伊恩·古德费洛等人于2014年提出。[1]生成对抗网络由一个生成网络与一个判别网络组成。生成网络从潜在空间（latent space）中随机采样作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。原创 2022-09-28 12:28:19 · 1653 阅读 · 0 评论 -
GAN Step By Step -- Step2 GAN的详细介绍及其应用
上一次已经介绍了一下GAN的基本框架和基本公式GAN 算法有数百种之多，大家对于 GAN 的研究呈指数级的上涨，目前每个月都有数百篇论坛是关于对抗网络的。如果你对 GANs 算法感兴趣，可以在 「[GANs动物园](https://github.com/hindupuravinash/the-gan-zoo)」里查看几乎所有的算法。我们为大家从众多算法中挑选了10个比较有代表性的算法，技术人员可以看看他的论文和代码。原创 2022-09-29 08:00:00 · 991 阅读 · 0 评论