机器学习练习二——GAN算法生成图像

原创 已于 2022-11-18 17:48:54 修改 · 1k 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：

#python #深度学习 #GAN #DCGAN

于 2022-11-18 17:41:54 首次发布
本文探讨了GAN及其改进版本DCGAN的原理、实现及评估方法，并通过具体实验对比两种算法的效果。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

这里写自定义目录标题

一、作业要求

本次作业老师对作业没有明文要求，问了老师后，得到结论是要侧重评价。
根据大概要求将报告分为下面几个部分：

  1. Gan算法的原理介绍；
  2. Gan算法的代码实现；
  3. Gan算法的结果分析。

二、提供的资源

老师提供了以下的资源：

  1. 数据集——包含train和val两个文件夹；
    所给数据集的格式注解：
    0-过熔
    1-正常
    2-不连续熔融
    3-不完全熔融

三、报告拆分

目前对老师要求的报告内容做以下的拆分：

3.0 背景介绍

具体工作：和上次差不多
分配人：组员1

3.1 GAN算法

3.1.1 GAN算法原理介绍

具体工作：介绍GAN算法的原理
分配人：组员2

3.1.2 GAN算法的代码实现

具体工作：代码实现算法
分配人：组员3

3.1.3 GAN算法的指标评价

具体工作：对3.1.2生成的结果进行分析，即对GAN算法进行评价，指出存在的问题，为下面的DCGAN做准备。
分配人：组员3

3.2 DCGAN算法

3.2.1 DCGAN算法原理介绍

具体工作：介绍DCGAN算法的原理
分配人：组员4

3.2.2 DCGAN算法的代码实现

具体工作：代码实现算法（目前我已经做出来了）
分配人：组员5

3.2.3 DCGAN算法的指标评价

具体工作：对3.2.2生成的结果进行分析，即对DCGAN算法进行评价
分配人：组员5

3.3 算法对比

具体工作：对3.1GAN和3.2DCGAN进行对比
分配人：组员6

3.4 最终文档的整理

具体工作：对上面各部分汇总得到的小文档进行整理和排版（以毕业论文的格式进行排版）
分配人：组员5

PyTorch深度学习实战（1）——神经网络与模型训练过程详解
盼小辉丶的博客
05-28 8万+
在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。
用GAN来做图像生成，这是最好的方法
weixin_34186950的博客
08-23 5027
前言 在我们之前的文章中，我们学习了如何构造一个简单的 GAN 来生成 MNIST 手写图片。对于图像问题，卷积神经网络相比于简单地全连接的神经网络更具优势，因此，我们这一节我们将继续深入 GAN，通过融合卷积神经网络来对我们的 GAN 进行改进，实现一个深度卷积 GAN。如果还没有亲手实践过 GAN 的小伙伴可以先去学习一下上一篇专栏：生成对抗网络...
算法之美---由计算机生成的图像
weixin_33742618的博客
10-20 384
发几幅由计算机生成的图像,以展示算法之美.并提供生成图像的算法代码.代码中,一部分是由C++实现,另一部分是由一种我定义的脚本语言实现. 相关软件见:Why数学图像生成工具. (1)树 1 void CPixelIFSTree::BuildPixelsMap() 2 { 3 float m[5][7]; 4 5 //'IFS...
图像生成系列(GAN-Based)
最新发布
qq_40624830的博客
06-15 1413
图像生成系列(GAN-Based)
九尾之火---算法生成的动画图像
weixin_34292402的博客
12-08 159
      之前实现了算法生成火的图像,现在我要做的是让火动起来.似乎我在算法生成图像的路上越来越走火入魔了.最近总在想一些挺无聊的东西,如雪花何以六出,闪电的形态是如何形成,还有就是火焰烟花的生成.在无风的室内点燃一支蜡烛,其火苗是不停变化的,是什么造成它的变化?据说法国拓扑学家托姆（R.Thom）曾和两位古人类学家讨论：“ 我们的祖先究竟是由于什么动机保存了火种？” 一位说是由于火可以取暖，另...
算法之美---100幅由程序生成的图像，总有一幅让你感到惊艳[下]
weixin_33811961的博客
10-24 143
      来看看算法能生成什么样的图像，继续发余下的50幅。这50幅图像中大部分与分形有关，算法难度要比前50幅大一些，当然其视觉效果会更为惊艳。所有图像均由我开发的软件“Why数学图像生成工具”生成。 (51)Sharp Edges (52)Binary Flash (53)Mandelbrot 1 (54)Mandelbrot By Martin (55)Mande...
算法之美---100幅由程序生成的图像，总有一幅让你感到惊艳[上]
weixin_34250709的博客
10-23 183
      100幅由程序生成的图像，总有一幅让你感到惊艳，这里先发前50幅。算法是抽象纠结晦涩的，图像却是直观美妙的，来看看算法能生成什么样的图像吧。所有图像均由我开发的软件“Why数学图像生成工具”生成。 (1)Color RGB (2)XOR (3)Pow FTW (4)Pow And (5)AndAddOr (6)Colorful Triangle (7)Unicorns ...
头歌——机器、深度学习——图像生成
absths的博客
06-23 2087
第1关：手写数字体生成
深度学习基础——设计下一代机器智能算法
08-28
《深度学习基础——设计下一代机器智能算法》一书，作为东南大学出版社出版的影印版，为我们提供了一个深入理解和实践深度学习的宝贵资源。 该书首先可能会介绍深度学习的基础概念，包括神经网络的基本结构，如输入...
【机器学习】机器的登神长阶——AIGC
2301_79796701的博客
06-17 4666
AIGC，全称为Artificial Intelligence Generated Content，即人工智能生成内容。它是人工智能技术发展到一定阶段的产物，主要依赖于深度学习算法，尤其是GAN（生成对抗网络）、CLIP（对比语言-图像预训练）、Transformer架构、Diffusion模型、预训练模型以及多模态技术等。文本创作，如文章、诗歌、故事、新闻报道、报告等。图像生成，包括艺术作品、照片、设计元素等。视频制作，涉及动画、电影片段、广告等。音频和音乐创作，涵盖歌曲、配乐、播客等。
Python-GAN实战对抗生成网络深度学习随书代码
08-11
GAN是一种基于深度学习的创新模型，由Ian Goodfellow在2014年提出，主要用于生成新的数据，如图像、音频等，其核心思想是通过两个神经网络——生成器（Generator）和判别器（Discriminator）的对抗式训练来提升生成...
Gan图像生成器-BigGan
10-13
丰富的背景和纹理图像的生成是各类生成模型追求的终极目标，ImageNet 的生成已然 成为检验生成模型好坏的一个指标。 在各类生成模型中，GAN 是这几年比较突出的，18 年新出的 SNGAN [1]、 SAGAN [2] 让 GAN 在 ImageNet 的生成上有了长足的进步，其中较好的 SAGAN 在 ImageNet 的128x128 图像生成上的 I n c e p t i o n S c o r e ( I S ) [3] 达到了 52 分。 BigGAN 在 SAGAN 的基础上一举将 IS 提高了 100 分，达到了 166 分（真实图片也 才 233 分），可以说 BigGAN 是太秀了
最新GAN生成高清图片
12-27
最新GAN生成高清图片，采用改进的网络模型对生成图片进行分析生成式对抗网络 GAN (Generative adversarialnetworks) 是 Goodfellow 等[1]在 2014 年提出的一种生成式模型. GAN 在结构上受博弈论中的二人零和博弈 (即二人的利益之和为零, 一方的所得正是另一方的所失) 的启发, 系统由一个生成器和一个判别器构成.
【GAN 图像生成】
m0_74113296的博客
09-30 1460
生成对抗网络GAN 深度学习模型，用于生成数据对抗式训练，生成器v判别器DCGAN>WGAN>StyleGAN技术不断进化GAN在艺术创作。数据增强领域应用越来越广泛应用：GAN在图像合成，数据增强，虚拟现实等领域有着广泛的应用。StyleGAN2能够生成逼真的人脸图像，推动了计算机视觉和图形学的发展。GAN也被用于生成式医学图像，帮助医生进行更准确的诊断。
使用GAN生成图像：在 TensorFlow 中使用 GAN 生成图像
新华编程特战队
12-29 3046
我们将使用 Tensorflow 库从头开始创建一个简单的 GAN，在 MNIST 数据集上对其进行训练，并生成手写数字的新图像。为了查看网络对图像的训练程度，我们创建了一个辅助函数来存储来自生成器的一批图像的预测。在给定图像数据集的情况下创建新颖的图像是称为生成对抗网络 （GAN） 的特定模型分支的优势之一。MNIST 是 GAN 的简单数据集，例如我们正在构建的数据集，因为它具有较小的单通道图像。生成器随机创建新颖的图像，而鉴别器则试图证明生成的图像是假的。我们遵循的 GAN 图像生成步骤如下。
机器学习_深度学习毕设题目汇总——图像生成
MetaGrad的博客
02-07 3269
下面是该类的一些题目： 题目 基于生成式对抗网络的无监督图像生成研究 用于图像生成的机器学习算法在人像合成中的研究与应用 可抵抗相机抖动的高动态图像生成算法研究 图像生成诗歌的端到端模型研究 基于GANs的脑部MRI图像生成方法研究 基于GAN的图像生成算法研究 基于GAN的海面目标图像生成和效果评价 基于分离表示的人脸图像生成 基于卷积神经网络的单曝光HDR图像生成方法研究 基于反馈LSTM与注意力机制的图像生成描述算法的研究与实现 基于姿态引导的人
NVIDIA新作解读：用GAN生成前所未有的高清图像（附PyTorch复现） | PaperDaily #15
热门推荐
Paper weekly
11-16 1万+
在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。 在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。 点击本文底部的「阅读原文」即刻加入社区，查看更多最新论文推荐。 这是 PaperDaily 的第 15 篇文章 本期推荐的是 NVIDIA 投稿 ICLR 2018 的新作 Progre
深度学习：GAN图像生成
Landy_Jay的博客
10-01 1627
生成对抗网络（GAN）的基本原理基于两个神经网络之间的博弈过程：一个生成器（Generator, G）和一个判别器（Discriminator, D）。输入-输出图像对指的是两个相关的图像，其中一个图像是另一个图像经过某种变换后的结果。与cGAN相比，CycleGAN不依赖于明确的条件向量，而是通过两个相互对立的映射函数来实现双向的图像转换，并且通过循环一致性损失来确保转换的质量和可逆性。GAN 框架非常灵活，可以应用于图像、文本、音频等多种类型的数据，并且能够生成多样化的样本。
机器学习笔记 - 基于Torch Hub的DCGAN图像生成 + 调用自定义网络模型
学以致用 知行合一
05-03 904
Pytorch Hub 是一个预训练模型存储库，旨在促进研究的可重复性。Torch Hub 允许您发布预先训练的模型，以帮助促进研究共享和可重复性。 Torch Hub 在其官方展示中总共纳入了48个研究模型(目前为止)。音频模型8个、生成式模型2个、自然语言处理 (NLP)3个、可编写脚本20个、视觉模型等等。这些模型还在基准数据集（例如Kinetics 400和COCO 2017）上进行了训练。
matlab-gan:生成对抗网络的 matlab 实现——从 gan 到 pixel2pixel、cyclegan
06-25
### 回答1： GAN（Generative Adversarial Network）是一种深度学习模型，在许多任务中都有广泛应用。在 GAN 中，有一个生成器和一个判别器。生成器尝试生成与真实数据类似的新数据，判别器则尝试区分生成的数据与真实数据。生成器和判别器通过对抗的方式共同训练。 Matlab-GAN 是一种基于 Matlab 的 GAN 实现，可以实现生成图片，视频等任务。在 Matlab-GAN 中，可以使用不同的损失函数和正则化技术，来改善生成的质量和稳定性。 除了 GAN，Pixel2Pixel 和 CycleGAN 也是常用的深度学习模型，在计算机视觉任务中具有重要的应用。Pixel2Pixel 是一种基于卷积神经网络的图像翻译模型，可以将一个图像转换为另一个图像，如将黑白图像转换为彩色图像。CycleGAN 是一种无需成对匹配的图像转换模型，可以用于跨域图像转换，如将马的图像转换为斑马的图像。 Matlab-GAN 支持 Pixel2Pixel 和 CycleGAN 的实现，可以帮助更方便地进行图像转换任务。Pixel2Pixel 和 CycleGAN 也可以与 GAN 结合使用，产生更高质量、更可控的生成结果。 总之，Matlab-GAN 是一种实现生成对抗网络的工具，支持不同类型的 GAN 和深度学习模型，可以实现图像、视频等多种任务。Pixel2Pixel 和 CycleGAN 作为深度学习模型中常用的工具，可以帮助更好地完成图像转换任务。 ### 回答2： GAN，即生成对抗网络，是近年来流行的一种机器学习算法模型，它可以通过两个深度神经网络模型（生成器和判别器）来生成具有类似于真实图像的虚拟图像。 在Matlab中，GAN也有自己的实现——matlab-gan。该实现提供了一系列的GAN示例，如最基础的MNIST手写数字图像生成、使用DCGAN和Wasserstein GAN生成图像，甚至还提供了Pix2Pix和CycleGAN，让用户能够在MATLAB环境中成功加载这些GAN应用。 Pix2Pix是基于条件对抗网络(CGAN)的扩展，它可以将给定的输入图像转换为输出图像。例如，它可以将黑白照片转换成彩色照片，或将景象翻译成抽象画作。该示例合成城市街景并将它们转换为艺术风格的图像。 CycleGAN是一种通用的无监督图像到图像转换器，它可以将两个域之间的图像转换成另一个域。例如，它可以将马的图像转换成斑马的图像。CycleGAN在图像风格转换、模型综合、目标转换等方面表现出色，是GAN的重要变种。 总体来说，matlab-gan是一个适合于GAN初学者的绝佳平台。它不仅提供了简单的GAN实现，还包括两个复杂的GAN变种——Pix2Pix和CycleGAN。这些示例不仅能够教授GAN的基础理论，还能够为研究者提供一个练习环境来测试并扩展这些算法。
评论
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