xiaoyaolangwj的博客

OpenAI的文章介绍Generative models：搬运部分重点。What I cannot create, I do not understand.我们期望计算机能理解和分析我们这个世界，Generative-models生成模型是实现这一目标的最有前途的方法之一。诀窍在于，我们用作生成模型的神经网络的许多参数远小于我们训练它们的数据量，因此模型被迫发现并有效地内化数据的本质以生成数据。生成模式的三种方法：流行示例：生成式对抗网络（GAN）：将训练过程视为两个独立网络之间

资料整理自：李宏毅2021春机器学习课程深度学习有两种模式：一种是判别式模型，一种是生成式模型。前面我们接触的大多是判别式模型，简单说底层思维的本质是分类，要么是对整个图像类别的分类判断（图像分类），要么是对图像中区域的类别判断（目标检测），甚至说图像中每个元素点的类别判断（语义分割）。这些都是判别式模型。另外一种是生成式模型，使人们对计算机创造力（创作力）的需求。我们在生成式模型中的需求是希望生成与我们期望数据（或已有数据集）非常相关或者非常近似的数据。如下图：我们希望和也就是说生成数

Generative Adversarial NetsNet后面跟着一个s代表：不只一个网络，代表很多个网络。多个网络之间的关系是

第五章：训练与普遍挑战：为成功而GANGAN在所有生成模式中的位置。上图中两个关键要点：（1）所有这些生成模型最终都源自最大似然（Maximum likelihood）（2）变分自编码器VAE位于显示部分。从图中可以看出，技术发展，正在从显示和易驾驭的方法转向隐式的方法。这样就会出现一个问题：如果没有显示的损失的函数，如何去评估GAN的效果？一、评估如何评估有一个生成方法是好是坏？如何量化生成的质量是好还是坏？1、评估框架书中拿仿造达·芬奇画作类比例子。（..

第四章深度卷积生成对抗网络（DCGAN）生成器和鉴别器都使用卷积神经网络，这种GAN架构称为深度卷积生成对抗网络（DCGAN）。DCGAN复杂架构在实践中变为可行的关键性突破之一：批归一化（BatchNormalization）。一、卷积神经网络1、卷积滤波器卷积是通过在输入层上滑动一个或多个滤波器（filter）来执行的。每个滤波器都有一个相对较小的感受野（宽乘高），但它贯穿输入图像的全部深度。2、参数共享滤波器参数被其所有输入值共享，这具有直观和实用的优点。直观地讲，...

第3章你的第一个GAN模型：生成手写数字一、GAN的基础：对抗训练生成器和鉴别器由可微函数表示如神经网络，它们都有自己的代价函数。这两个网络是利用鉴别器的损失进行反向传播训练。鉴别器努力使真实样本输入和伪样本输入带来的损失最小化，而生成器努力使它生成的伪样本造成的鉴别器损失最大化。生成器的目标是生成符合训练数据集数据分布的样本。训练数据集决定了生成器要学习模拟的样本类型，例如：目标是生成猫的逼真图像，我们就会给GAN一组猫的图像。生成器和鉴别器只能调整自己的参数而不能相互调整对方的...

维度

GAN（生成对抗网络）有一本实战书出版了，了解下？这个标题的文章中有对本书的非常专业的概括，我也是因为读了它的导读购买阅读并整理这个子分类专栏。本书电子版。目录：1、第一章 GAN简介2、第二章自编码器生成模型入门3、第三章你的第一个GAN模型：生成手写数字4、第四章深度卷积生成对抗网络（DCGAN）5、第五章训练与普遍挑战：为成功而GAN6、第六章渐进式增长生成对抗网络（PGGAN）7、第七章半监督生成对抗网络（SGAN）8、第八章条件生...