2. 程式人生 > >生成對抗網路（CGAN）（37）---《深度學習》

生成對抗網路（CGAN）（37）---《深度學習》

阿新 • • 發佈：2019-01-25

在前面我們簡單介紹了生成對抗網路（GAN）的基本結構和其訓練方式，然而這種方式是基於無監督學習的，沒有指定對應的標籤，使用一個分佈直接進行取樣，從而理論上達到可以完全逼近原始資料，因此生成網路G比較自由，而且當圖片的畫素較多的時候，這樣導致訓練好的生成網路G不可控制，為了使得訓練的生成網路比較可控，我們希望將對原來的無監督學習的對抗網路加一些限制，即將其變為有監督學習的網路，使得其可以更好地在我們的掌控下進行學習！
基本的網路結構可以參考以前的這篇部落格： 生成對抗網路（GAN）簡單入門（33）—《深度學習》，現在主要講一下CGAN和GAN的區別：

這是GAN對應的loss函式：
這裡寫圖片描述
這是CGAN對應的loss函式：


這裡寫圖片描述
對比可以發現CGAN網路相比GAN網路加了標籤y進行限制，這樣就可以無監督的GAN網路轉化為了有監督的CGAN網路，訓練過程和GAN網路一樣，都是交替迭代訓練，穩定住一個網路，然後訓練另一個網路，不過有其啟動順序，即先啟動辨別網路D的訓練，然後在啟動生成網路G網路的訓練，這樣交替迭代，知道二者博弈過程達到一個均衡的過程，此時就達到了一種比較好的訓練過程！具體的訓練過程可以參考前面提到的那篇部落格！

CGAN網路的結構：

相關推薦

【深度學習】GAN生成對抗網路原理詳解（1）

一個 GAN 框架，最少（但不限於）擁有兩個組成部分，一個是生成模型 G，一個是判別模型 D。在訓練過程中，會把生成模型生成的樣本和真實樣本隨機地傳送一張（或者一個 batch）給判別模型 D。判別模型 D 的目標是儘可能正確地識別出真實樣本（輸出為“真”，或者1），和儘可能

生成對抗網路消除影象模糊（Keras）

2017年，烏克蘭天主教大學、布拉格捷克理工大學和解決方案提供商Eleks聯手公佈了一篇論文，文章標題為《DeblurGAN: Blind Motion Deblurring Using Conditi

GAN|生成對抗網路的前沿進展（論文、框架&資源）全面總結

成模型（GenerativeModel）是一種可以通過學習訓練樣本來產生更多類似樣本的模型。在所有生成模型當中，最具潛力的是生成對抗網路（Generative Adversarial Networks, GANs）。GANs 是非監督機器學習的一種，它的運作方式可被看做

生成對抗網路的簡單介紹（TensorFlow 程式碼）

原文地址： 引言 最近，研究者們對生成模型的興趣一直很大（參見OpenAI的這篇部落格文章）。這些生成模型是可以學習建立類似於我們給它們的資料。這樣的直觀感受是，如果我們可以得到一個能寫出高質量的新聞文章的模型，那麼它一般也會學到很多關於新聞文章的內

生成對抗網路（CGAN）（37）---《深度學習》

在前面我們簡單介紹了生成對抗網路（GAN）的基本結構和其訓練方式，然而這種方式是基於無監督學習的，沒有指定對應的標籤，使用一個分佈直接進行取樣，從而理論上達到可以完全逼近原始資料，因此生成網路G比較自由，而且當圖片的畫素較多的時候，這樣導致訓練好的生成網路G不可

七個不容易被發現的生成對抗網路（GAN）用例

像許多追隨AI發展的人一樣，我無法忽略生成建模的最新進展，尤其是影象生成中生成對抗網路（GAN）的巨大成功。看看下面這些樣本：它們與真實照片幾乎沒有區別！   從2014年到2018年，面部生成的進展也非常顯著。 這些結果讓我感到興奮，但我內心總是懷疑它們是否真

生成對抗網路（GAN）應用於影象分類

　　近年來，深度學習技術被廣泛應用於各類資料處理任務中，比如影象、語音和文字。而生成對抗網路（GAN）和強化學習（RL）已經成為了深度學習框架中的兩顆“明珠”。強化學習主要用於決策問題，主要的應用就是遊戲，比如deepmind團隊的AlphaGo。因為我的研究方向是影象的有監督分類問題，

初步認識GAN（生成對抗網路）

初步認識GAN（生成對抗網路） 1.GAN的發明 生成模型的基本思想是輸入一個訓練樣本集合，形成樣本概率分佈的表徵。 常用的生成模型是直接推斷他的密度概率函式。 好的生成模型有以下幾方面的實際應用; 1. 提升圖片的質量（高解析度） 2. 預測未來狀態的規劃 3.生成缺失資料和標

生成對抗網路學習（GAN）學習筆記

文章目錄 2018-11-16 GAN的原理 2018-11-15 Multimodal Unsupervised Image-to-Image Translation 2018-11-13 Image-to-

在瀏覽器中進行深度學習：TensorFlow.js (八）生成對抗網路 （GAN

Generative Adversarial Network 是深度學習中非常有趣的一種方法。GAN最早源自Ian Goodfellow的這篇論文。LeCun對GAN給出了極高的評價： “There are many interesting recent development in deep learni

keras 實現GAN（生成對抗網路）

本文將介紹如何在Keras中以最小的形式實現GAN。具體實現是一個深度卷積GAN，或DCGAN：一個GAN，其中generator和discriminator是深度卷積網路，它利用`Conv2DTranspose`層對generator中的影象上取樣。 然後將在CIFAR10的影象上訓練GAN，CI

生成對抗網路GAN系列（六）--- CycleGAN---文末附程式碼

Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks Jun-Yan Zhu      Taesung Park          Phillip Isola   

生成式對抗網路GAN研究進展（五）——Deep Convolutional Generative Adversarial Nerworks，DCGAN

【前言】     本文首先介紹生成式模型，然後著重梳理生成式模型（Generative Models）中生成對抗網路（Generative Adversarial Network）的研究與發展。作者按照GAN主幹論文、GAN應用性論文、GAN相關論文

生成對抗網路GANs（筆記一）主線

生成式對抗網路（Generative Adversarial Nets, GAN） 一、發展歷程： 最開始接觸GANs是因為想了解有關於在少量資料的情況下如何做資料增廣。然後就瞭解到了DCGAN生成手寫數字的案例，簡直是驚為天人，然今才逐漸開始瞭解生成對抗網路的思想。到了

生成對抗網路GAN（一） 簡介和變種

基本概念[1] 目標函式 零和遊戲（zero-sum game） 納什均衡 minimax演算法 GAN借鑑了零和遊戲的思想，引入生成網路和辨別網路，讓兩個網路互相博弈，當辨別網路不能辨別資料來自於真實分佈還是生成網路的時候，此時的生成網路可以

一篇讀懂生成對抗網路（GAN）原理+tensorflow程式碼實現

作者：JASON 2017.10.15   生成對抗網路GAN（Generative adversarial networks）是最近很火的深度學習方法，要理解它可以把它分成生成模型和判別模型兩個部分，簡單來說就是：兩個人比賽，看是 A 的矛厲害，還是 B

生成對抗網路（GAN）的前沿進展（論文、報告、框架和Github資源）彙總

生成模型（GenerativeModel）是一種可以通過學習訓練樣本來產生更多類似樣本的模型。在所有生成模型當中，最具潛力的是生成對抗網路（Generative Adversarial Networks, GANs）。GANs 是非監督機器學習的一種，它的運作方式可被看

生成式對抗網路GAN研究進展（二）——原始GAN

【前言】     本文首先介紹生成式模型，然後著重梳理生成式模型（Generative Models）中生成對抗網路（Generative Adversarial Network）的研究與發展。作者按照GAN主幹論文、GAN應用性論文、GAN相關論文

深度 | 生成對抗網路初學入門：一文讀懂GAN的基本原理（附資源）

選自 Sigmoidal 作者：Roman Trusov 機器之心編譯 參與：Panda 生成對抗網路是現在人工智慧領域的當紅技術之一。近日，Sigmoidal.io 的部落格發表了一篇入門級介紹文章，對 GAN 的原理進行了解釋說明。另外，在該文章的最後還附帶了一些能幫助初學者自己

生成式對抗網路GAN研究進展（四）——Laplacian Pyramid of Adversarial Networks，LAPGAN

【前言】     本文首先介紹生成式模型，然後著重梳理生成式模型（Generative Models）中生成對抗網路（Generative Adversarial Network）的研究與發展。作者按照GAN主幹論文、GAN應用性論文、GAN相關論文