【李宏毅】-生成对抗式网络（GAN）

最新推荐文章于 2025-05-12 17:13:23 发布
原创 最新推荐文章于 2025-05-12 17:13:23 发布 · 1.3k 阅读 · 3
标签
#生成对抗网络 #机器学习 #人工智能
生成对抗网络(GAN)是一种深度学习模型，包括Generator和Discriminator两部分。Generator从简单的分布生成数据分布，而Discriminator负责区分真实数据和生成数据。在训练过程中，两者互相博弈，逐渐优化。GAN常用于创造性任务，如AnimeFaceGeneration，通过不断迭代，Generator试图生成越来越逼真的图像，以欺骗Discriminator。

生成对抗式网络GAN

1. Network as Generator

输入不再是只是x，还有一个simple distribution（样本分布），输出也是一个分布
在这里插入图片描述
Why distribution
不同的分布即意味着：相同的输入会有不同的输出。
尤其在任务需要创造力的时候，需要分布

2. Anime Face Generation

2.1 Unconditional generation（输入无x）

输入一个
假设z是从normal distribution中sample出来的向量，而输出y是二次元任务的脸，生成图片其实就是生成非常高维的向量，不同的z，输出都是二次人物的脸。
在这里插入图片描述

2.2 Discriminator

scaler越大，表示越像真实的二次元任务的图像

最低0.47元/天 解锁文章
生成对抗网络(Generative Adversarial Network)
禅与计算机程序设计艺术
07-12 1677
生成对抗网络(Generative Adversarial Network) Generative Adversarial Networks. 本文目录： 理解生成对抗网络：博弈论视角、优化视角、能
P11机器学习--李宏毅笔记GAN（对抗生成网络）
u013373155的博客
11-13 1468
GAN的基本概念 GAN的训练方法 训练GAN的目标 Model Collapse Model Dropping 计算多样性 Conditional GAN Condtitional GAN+Supervised learing cycle Gan
【机器学习】李宏毅——生成式对抗网络GAN
FavoriteStar的博客
09-17 2302
本文非常详细的介绍什么是生成式对抗网络GAN，以及GAN内部的实现原理，包括各种GAN的训练技巧和变形等等内容。
​李宏毅机器学习——对抗生成网络（GAN）
iwill323的博客
10-24 3085
​李宏毅机器学习——对抗生成网络（GAN）
台湾大学李宏毅机器学习课程
06-04
李宏毅（（Hung-yi Lee）目前任台湾大学电机工程学系和电机资讯学院的助理教授，他曾于2012年获得台湾大学博士学位，并于2013年赴麻省理工学院（MIT）计算机科学和人工智能实验室做访问学者。他的研究方向主要是语义理解、语音识别、机器学习和深度学习）老师的机器学习课程以机器学习和深度学习的基础知识为主，包含了AI领域的各种最新知识和技术点。课程深入简出，通俗易懂，颇受欢迎，非常适合对AI感兴趣的学习者。本课程已经获得李宏毅老师授权。
生成对抗网络（GAN）详解
qq_57019146的博客
11-12 6312
生成对抗网络（Generative Adversarial Network, GAN）是由IanGoodfellow于2014年在《Generative Adversarial Nets》中提出的模型。
生成对抗网络（GAN）的原理与公式推导
weixin_45922916的博客
12-05 1万+
GAN的基本概念、原理、公式推导、存在的问题、GAN的变种
【生成对抗网络】Conditional GAN (CGAN，条件GAN) 详细解读
热门推荐
__阿健__的博客
02-13 3万+
Conditional GAN（条件GAN，CGAN）是Mehdi Mirza于2014年11月份发表的一篇文章，也是GAN系列早期经典模型之一，算是目前许多GAN应用的前身。 文章的想法是希望GAN能够控制自己生成的图片，而不是随机生成图片。Conditional GAN在生成器的输入噪声中还增加了额外的条件信息，只有生成的图片足够真实且与与条件相符，才能够通过判别器。
【学习笔记-李宏毅】GAN（生成对抗网络）全系列（一）
iioSnail的博客
07-06 4363
前言 相关链接 1. Introduction 1. 1 Basic Idea of GAN 1.2 GAN as structured learning 1.3 Generator可以自己学吗？ VAE（Variational Auto-encoder） 2. CGAN, Conditional Generation by GAN 2.1 discriminator的架构改进 2.2 Stack GAN 2.3 Image-to-image 2.4 Speech Enhancement（提升语音的质量）
李宏毅 Generative Adversarial Network（GAN）生成对抗网络
Karen_Yu_的博客
01-21 1899
machine learning就是去找一个函数，input一个东西，output另一个东西。如果是regression task，就output一个数值，如果是classification task，就是output一个class。如果我们遇到的问题是一个更复杂的问题，不是output一个数值/class，可能是一个sequence、matrix、graph、tree。这个task就是structured learning。
生成对抗网络（GAN）
weixin_49346755的博客
04-15 1万+
对抗”的含义就是生成器通过不断的训练尽可能的生成以假乱真的图像，判别器通过不断的识别尽可能的区分图像的真假。第一张图是训练集选取的部分图片，第二张图片是由生成器产生的图片，可以看出，通过多次训练，生成可以生成比较接近训练集图片的图片。生成器的训练过程，简单来说就是，给定网络，给定标签，然后更新输入（这里是随机数据，可以符合一定的分布），使输出图像对应的标签逐渐靠近给定的标签；也是生成对抗网络中的一部分，用于识别出哪些是有生成网络生成的“假”数据，哪些是真正的训练集数据。
[2022]李宏毅深度学习与机器学习第六讲（必修）-GAN
weixin_45920982的博客
11-28 907
将产生的东西放到一个分类，如果分布比较集中，那么效果就不错，但是这种方法不一定有用，可能会出现model collapse，可能他产生的图片一直是某几张，Diversity比较小。生成器的目标是，让生成的分布和真是分布尽可能地相近，这里就有很多不同的方法衡量，比如，Js Divergence、KL Divergence，但是要如何计算就成了一个问题，因为我们不知道两个是什么分布。因为两个模型是互动的，一旦一个出现问题，那么train 可能就停下来了，两个模型一定要棋逢对手，这是一个前瞻的技术，有待解决。
生成对抗性网络简介
qq_40985985的博客
05-27 3989
1. 原理1. GANs如何工作2. GAN架构3. 培训GAN4. 艺术家与评论家5. 评估指标6. GAN变体7. GAN应用8. 图像合成（Image synthesis）9. 图像到图像的转换（Image-to-image translation）10. 文本到图像（Text-to-Image）11. 超越图像12. 其他GAN应用参考这篇博客将介绍生成对抗性网络（GAN）、各种GAN变体以及解决现实世界问题的有趣的应用程序。
【深度学习】李宏毅2021/2022春深度学习课程笔记 - Generative Adversarial Network 生成式对抗网络（GAN）
知不足而奋进，望远山而前行
11-10 2万+
下面是小精灵游戏画面，有很多小精灵在“迷宫”里走动。现给出一个需求，需要通过当前的游戏画面，预测下一帧的画面传统神经网络的做法是，将前面一帧或几帧的画面图片作为特征，当前画面图片作为标签进行训练，目的是使得通过历史画面，输出的画面和当前画面越接近越好。有人按照这样的思路做了，结果出现了一个问题，小精灵在走到岔路口时，会一分为二，分裂成两个小精灵，这是为什么呢？这是因为在岔路口时，即使是同样的历史画面，小精灵也有可能向左走或者向右走，所以在训练集里，很存在这样“矛盾”的标签，即同样的特征，但是输出不同，为了满
李宏毅机器学习笔记：GAN
qq_43711697的博客
08-30 5061
前言 主要记录李宏毅机器学习2021中介绍GAN部分的笔记，从GAN的发展开始到GAN的基本理论再到GAN生成的评价方法最后到介绍流行的GAN方法。 一、GAN的基本介绍 GAN的全名是Generative Adversarial Network生成对抗网络，其主要的目的是为了让训练机器让机器能够自主生成相对应类型的图片，其中生成器generator就是GAN中进行生成相对应类似分布的网络，而鉴别器Discriminator就是判别生成器生成是否为真假的网络，鉴别器通过将输入的图像转换成一个判别值来判断真
对抗生成网络
最新发布
2201_75343767的博客
05-12 2206
总结 GAN
深度学习进阶篇[9]：对抗生成网络GANs综述、代表变体模型、训练策略、GAN在计算机视觉应用和常见数据集介绍，以及前沿问题解决
丨汀、的博客
06-01 8697
​ GAN的主要思想是对抗思想：对抗思想已经成功地应用于许多领域，如机器学习、人工智能、计算机视觉和自然语言处理。最近AlphaGo击败世界顶尖人类玩家的事件引起了公众对人工智能的兴趣。AlphaGo的中间版本使用两个相互竞争的网络。对抗性示例是指与真实示例非常不同，但被非常自信地归入真实类别的示例，或与真实示例略有不同，但被归入错误类别的示例。这是最近一个非常热门的研究课题。​ 对抗式机器学习是一个极大极小问题。
机器学习（26）回顾gan+文献阅读
qq_45800507的博客
03-17 1515
本文主要讨论了生成式对抗神经网络。首先，本文介绍了生成式对抗网络的设计思路。在此基础下，本文阐述了GAN的网络结构以及训练过程。生成器与解释器相互迭代，随着更新，生成器的效果趋近于真实图片。其次，本文展示了题为Generative Adversarial Networks论文的主要内容。这篇论文提出了生成式对抗网络的网络结构以及训练过程，该模型填补了生成任务方面神经网络的空白。此外，这篇论文还从理论角度证明了生成器的数据分布能够达到全局最优以及训练算法的可收敛性。
【深度学习】生成对抗网络（GANs）详解！
TwcatL
10-25 1万+
生成对抗网络(Generative Adversarial Networks)是一种无监督深度学习模型，用来通过计算机生成数据，由Ian J. Goodfellow等人于2014年提出。模型通过框架中(至少)两个模块：生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。生成对抗网络被认为是当前最具前景、最具活跃度的模型之一，目前主要应用于样本数据生成、图像生成、图像修复、图像转换、文本生成等方向。
深度学习--对抗生成网络（GAN）
GDHBFTGGG的博客
08-25 2874
对抗生成网络（Generative Adversarial Network, GAN）是一种深度学习模型，由伊恩·古德费洛（Ian Goodfellow）及其同事在2014年提出。GAN通过两个神经网络的对抗过程来生成数据，这两个网络分别是生成器（Generator）和判别器（Discriminator）。
评论 1
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