加勒比海鲜王

保留初心，砥砺前行这次并没有标题党，说一文精通GAN什么的。因为毕竟paper才是基础。以下内容只是辅助作用，相当于paper重点内容的总结而已。再次强调，请读者先读paper。 Generative Adversarial Networkspaper不能完全搞懂没关系，看下边。第一个问题，GAN对噪声z的分布有要求吗？常用哪些分布？常用的有高斯分布 也可以用均匀分布为什么初始噪声是100维咧

保留初心，砥砺前行这是上一次GAN for NLP的讨论记录，需要的同学拿去享用： 记录一次与大神们的关于GAN应用于NLP的讨论这次的讨论可能是因为题目不够大众，或者是做这方面的同学们太过羞涩，因此讨论的内容基本偏题，最后形成了大家自由讨论的局面。但是只要仔细观察，是可以看到其中是有着耀眼的闪光点的，至少对于我来说是这样的。重申以下观点： 下边的讨论问题与解答有些是文不对题的，首先是因为按照

保留初心，砥砺前行说实话，是聆听了大神们，本人只是捧哏似的嗯、啊了几句。之前paperweekly的GAN讨论组要进行一次讨论，给出了很多议题进行投票。里边有GAN in NLP、GAN and RL、半监督GAN等我比较感兴趣的话题。也有图像相关的关于GAN的正统问题。没想到最后GAN in NLP获得了最多的票数。我原来对于把GAN应用于NLP叫做剑走偏锋，没想到志同道合的人这么多…接下来是对

首先，代码引用自https://github.com/wiseodd/generative-models 感谢这位网友的代码支持。每个月总有30天不想看论文，所以直接看源码或许是一个好办法。因为有些时候它的改动就那么一点点。而论文却要用晦涩难懂的语言证明上十几页。上边这个链接中给出了很多GAN和VAE以及各种变体的源码，并且写得清晰易懂，再次感谢这位网友的贡献。ConditionalGAN顾名思义

保留初心，砥砺前行最近看了Adversarial Autoencoders（以下简称AAE）这篇paper，就随便写几句笔记。paper链接，点我1. 概述：GAN和VAE是近年来很火的生成模型（关于GAN，我之前写过几篇了，需要的话点击文末的相关链接即可），对于这两个模型的研究层出不穷，变体无数，而将这两者结合也是一种优秀的思路。GAN说白了就是对抗，VAE就是一种Autoencoders，而本