不要怂，就是GAN (生成式对抗网络) （一）： GAN 简介
前面我们用 TensorFlow 写了简单的 cifar10 分类的代码，得到还不错的结果，下面我们来研究一下生成式对抗网络 GAN，并且用 TensorFlow 代码实现。 自从 Ian Goodfellow 在 14 年发表了 论文 Generative Adversarial Nets ...
原文：不要怂，就是GAN (生成式对抗网络) （四）：训练和测试 GAN
在 home your name TensorFlow DCGAN 下新建文件 train.py，同时新建文件夹 logs 和文件夹 samples，前者用来保存训练过程中的日志和模型，后者用来保存训练过程中采样器的采样图片，在 train.py 中输入如下代码： 输入完成后点击运行，运行过程中，可以看到，生成的每个图片对应行对应列都是一样的数字，这是因为我们加了条件约束 采样器 sampler ...
2017-01-26 18:33 22 16846 推荐指数：
相关推荐
不要怂，就是GAN (生成式对抗网络) （二）：数据读取和操作
前面我们了解了 GAN 的原理，下面我们就来用 TensorFlow 搭建 GAN（严格说来是 DCGAN，如无特别说明，本系列文章所说的 GAN 均指 DCGAN），如前面所说，GAN 分为有约束条件的 GAN，和不加约束条件的GAN，我们先来搭建一个简单的 MNIST 数据集上加约束条件 ...
不要怂，就是GAN (生成式对抗网络) （五）：无约束条件的 GAN 代码与网络的 Graph
GAN 这个领域发展太快，日新月异，各种 GAN 层出不穷，前几天看到一篇关于 Wasserstein GAN 的文章，讲的很好，在此把它分享出来一起学习：https://zhuanlan.zhihu.com/p/25071913。相比 Wasserstein GAN ，我们的 DCGAN 好像 ...
不要怂，就是GAN (生成式对抗网络) （六）：Wasserstein GAN（WGAN） TensorFlow 代码
先来梳理一下我们之前所写的代码，原始的生成对抗网络，所要优化的目标函数为： 此目标函数可以分为两部分来看： ①固定生成器 G，优化判别器 D， 则上式可以写成如下形式： 可以转化为最小化形式： 我们编写的代码中，d_loss_real = tf.reduce_mean ...
不要怂，就是GAN (生成式对抗网络) （三）：判别器和生成器 TensorFlow Model
文件 model.py，定义生成器，判别器和训练过程中的采样网络，在 model.py 输入如下代码： ...
说说GAN（生成式对抗网络）
在Auto-encoder中，input data通过一个encoder神经网络得到一个维度的较低的向量，称这个向量为code，code经过一个decoder神经网络后输出一个output data。 encoder 网络的作用是用来发现给定数据的压缩表示。decoder网络使原始输入的尽可 ...
GAN生成式对抗网络（三）——mnist数据生成
通过GAN生成式对抗网络，产生mnist数据 引入包，数据约定等 GAN对象结构 生成器函数 对随机值z(维度为1，100)，进行包装，伪造，产生伪造数据。 包装过程概括为：全连接->reshape->反卷积 包装过程中使用了batch_normalization ...
GAN和CGAN——生成式对抗网络和条件生成式对抗网络
GAN的定义 GAN是一个评估和学习生成模型的框架。生成模型的目标是学习到输入样本的分布，用来生成样本。GAN和传统的生成模型不同，使用两个内置模型以“对抗”的方式来使学习分布不断接近输入样本分布。两个模型一个是生成模型（Generative model），用来生成样本；另一个是判别模型 ...