8 天前 / kbsc13
点击上方“算法猿的成长“，关注公众号，选择加“星标“或“置顶” 总第 137 篇文章，本文大约 1000字，阅读大约需要 5分钟 今天介绍的一个开源的 github 项目，主要是实现了对 GAN 训练过程的可视化代码，项目链接如下： https://github.com/EvgenyKashin/gan-vis 或者点击文章底部“阅读原文”，直接跳转。 接下来是简单介绍这份代码的情况，基本实现的功能，效果等。 前言这是一个简单实现了学习和可视化 2d 的 GANs 的实验代码。
36 天前 / ???Edison_Guo
点击蓝字关注我们 扫码关注我们 公众号: 计算机视觉战队 扫码回复：ProGAN，获取下载链接 最近突然对 GAN 特别感兴趣，今天就开始进入该领域，我也从基础的开始，今天就先说说 Nvidia 的第一版本 GAN。 简述 描述了生成对抗网络的新训练方法。关键思想是从低分辨率图像开始，逐渐增大生成器和判别器，并在训练进展过程中添加新的处理更高分辨率细节的网络层。这大大地稳定了训练，并让我们生成了前所未有高质量的图像，例如，分辨率为 1024×1024 的 CelebA 图像。
214 天前 / 叶锦鲤
小白深度学习入门系列 1. 直观理解深度学习基本概念 2. 白话详解ROC和AUC 3. 什么是交叉熵 4. 神经网络的构成、训练和算法 5. 深度学习的兴起：从NN到DNN 6. 异军突起的激活函数：ReLU 7.CNN，RNN，LSTM都是什么？ 8. 什么是Transformer？ 生成模型(Generative Model)vs 判别模型(Discriminant Model) 在讨论生成对抗网络之前，我们需要先明确两个概念：生成模型和判别模型。 所谓生成网络，指构建生成模型的神经网络；同理判别网络则是构建判别模型的神经网络。
315 天前 / 巧克力工厂的查理
Pix2Pixpix2pix使用条件生成对抗网络（cGAN）来学习从输入图像到输出图像的映射。 数据集的一个例子是输入图像是黑白图像，目标图像是图像的彩色版本。在这种情况下，生成器generator正在尝试学习如何着色黑白图像。鉴别器discriminator正在查看生成器generator的着色尝试，并试图了解生成器generator提供的着色与数据集中提供的真彩色目标图像之间的区别。
380 天前 / figo
“Generative Adversarial Networks是过去10年机器学习中最有趣的想法。”-Facebook AI人工智能研究总监Yann LeCun 想把马变成斑马吗？制作DIY动漫人物或名人？那么生成对抗网络（GAN）是帮助你最好的工具。 使用生成对抗网络创建深度生成模型，目前深层生成模型的分类如下图。本文的重点是GAN。 在本文中，我们将解决以下主题： GAN的简短回顾 GAN应用程序 GAN问题 其他类型的GAN 构建图像GAN 编码教程 本文的大部分内容将涉及编码GAN以及对GAN的一些更高级实现的广泛介绍。
381 天前 / figo
“Generative Adversarial Networks是过去10年机器学习中最有趣的想法。”-Facebook AI人工智能研究总监Yann LeCun 想把马变成斑马吗？制作DIY动漫人物或名人？那么生成对抗网络（GAN）是帮助你最好的工具。 使用生成对抗网络创建深度生成模型，目前深层生成模型的分类如下图。本文的重点是GAN。 在本文中，我们将解决以下主题： GAN的简短回顾 GAN应用程序 GAN问题 其他类型的GAN 构建图像GAN 编码教程 本文的大部分内容将涉及编码GAN以及对GAN的一些更高级实现的广泛介绍。
402 天前 / clumsy
来源：https://en.wikipedia.org/wiki/Edmond_de_Belamy五年前，Generative Adversarial Networks（GANs）在深度学习领域掀起了一场革命。这场革命产生了一些重大的技术突破。Ian Goodfellow等人在“Generative Adversarial Networks”中提出了生成对抗网络。学术界和工业界都开始接受并欢迎GAN的到来。GAN的崛起不可避免。 首先，GAN最厉害的地方是它的学习性质是无监督的。GAN也不需要标记数据，这使GAN功能强大，因为数据标记的工作非常枯燥。 其次，GAN的潜在用例使它成为交谈的中心。
419 天前 / 比昂
前文《生成对抗网络的TensorFlow初探》和《条件生成式对抗网络（CGAN）&TensorFlow》中介绍了GAN和CGAN，论文《InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets》 引出了一个InfoGAN。本文主要看下模型可能的优化角度。 在原始GAN中，连续的噪声信号z，没有任何约束，GAN没法利用噪声，z并不是一个Interpretable的信号，无法与数据的语义特征对应起来。
431 天前 / 比昂
昨天腹泻发烧躺了了一天，今天白天开了一天会，体力还在恢复中。说点相对轻松的话题。 漫威的新英雄惊奇队长刚刚上映不久，想起漫威中很多场景其实在现实中是不存在的，都是通过计算机来模拟出的以假乱真的技术，计算机怎样模拟真实场景通过学习来生成一个较大概率判定为真实的生成样本？ 今天来了解下生成对抗网络（GAN， Generative Adversarial Networks）。 01 目的 从数据科学的角度来说，人们一切关于数学的研究都是为了解决量化和认知的问题。
437 天前 / 极市小助手
此外，本文允许转载，注明作者，出处即可！ 前阵子学习GAN的过程发现现在的GAN综述文章大都是2016年Ian Goodfellow或者自动化所王飞跃老师那篇。可是在深度学习，GAN领域，其进展都是以月来计算的，感觉那两篇综述有些老了。最近发现有一篇最新的有关GAN综述的paper[1]，四十余页，介绍了GAN的各个方面，于是就学习并整理笔记如下。文中许多内容大都根据自己所学总结，有不当之处欢迎指出。此外，本文参考了许多博客资料，已给出参考链接。如有侵权，请私信删除。
459 天前 / figo
在2018年最佳GAN论文中，我讨论了对GAN（生成对抗网络）领域的三个主要贡献，我很高兴介绍另外三篇有趣的研究论文。再一次，这个顺序纯粹是随机的，选择非常多主观。 用于高保真自然图像合成的大规模GAN训练：DeepMind提出的BigGAN利用Google TPU v3 Pod数百个核心的强大功能，大规模创建高分辨率图像。 相对论鉴别器：表征GAN中缺少的关键元素：作者提出通过引入改进的鉴别器来改进GAN的基本原理。 ESRGAN：增强型超分辨率生成对抗网络：2017年的超分辨率GAN（SRGAN）是将低分辨率图像映射到高分辨率图像的最佳网络之一。
461 天前 / AI科技大本营
作者 | Bharath Raj 译者 | ang010ela 编辑 | 一一 出品 | AI科技大本营 尽管 GAN 领域的进步令人印象深刻，但其在应用过程中仍然存在一些困难。本文梳理了 GAN 在应用过程中存在的一些难题，并提出了最新的解决方法。 使用 GAN 的缺陷 众所周知，GAN 是由 Generator 生成网络和 Discriminator 判别网络组成的。 1. Modecollapse（模型奔溃） 注：Mode collapse 是指 GAN 生成的样本单一，其认为满足某一分布的结果为 true，其他为 False，导致以上结果。 自然数据分布是非常复杂，且是多峰值的（multimodal）。
525 天前 / spearhead_cai
这是本文的最后一部分内容了，前两部分内容的文章： [GAN学习系列3]采用深度学习和 TensorFlow 实现图片修复(上） [GAN学习系列3]采用深度学习和 TensorFlow 实现图片修复(中） 以及原文的地址： http://bamos.github.io/2016/08/09/deep-completion/ 最后一部分的目录如下： 第三步：为图像修复寻找最佳的假图片 利用 DCGANs 实现图像修复 [ML-Heavy] 损失函数 [ML-Heavy] TensorFlow 实现 DCGANs 模型来实现图像修复 修复你的图片 第三步：为图像修复寻找最佳的假图片利用 DCGANs 实现图像修复在第二步中...
531 天前 / spearhead_cai
上一篇文章--[GAN学习系列3]采用深度学习和 TensorFlow 实现图片修复(上）中，我们先介绍了对于图像修复的背景，需要利用什么信息来对缺失的区域进行修复，以及将图像当做概率分布采样的样本来看待，通过这个思路来开始进行图像的修复。 这篇文章将继续介绍原文的第二部分，利用对抗生成网络来快速生成假图片。目录如下： 第二步：快速生成假的图片 从未知的概率分布中学习生成新的样本 [ML-Heavy] 建立 GAN 模型 采用 G(z) 生成假的图片 [ML-Heavy] 训练 DCGAN 目前的 GAN 和 DCGAN 实现 [ML-Heavy] TensorFlow 实现 DCGAN 在你的数据集上运行 D...
537 天前 / spearhead_cai
在之前的两篇 GAN 系列文章--[GAN学习系列1]初识GAN以及[GAN学习系列2] GAN的起源中简单介绍了 GAN 的基本思想和原理，这次就介绍利用 GAN 来做一个图片修复的应用，主要采用的也是 GAN 在网络结构上的升级版--DCGAN，最初始的 GAN 采用的还是神经网络，即全连接网络，而 DCGAN 则是换成卷积神经网络（CNNs）了，这可以很好利用 CNN 强大的特征提取能力，更好的生成质量更好的图片。 原文是： http://bamos.github.io/2016/08/09/deep-completion/ 由于原文比较长，所以会分为 3 篇来介绍。