学习笔记-李宏毅GAN（生成对抗网络）全系列

Posted 2022-07-11 蜗牛_

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了学习笔记-李宏毅GAN（生成对抗网络）全系列相关的知识，希望对你有一定的参考价值。

文章目录

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）
2.5 Video Generation

3. Unsupervised Conditional Generation

3.1 方法1：直接转换

3. 使用Cycle GAN

方法2：VAE GAN: Project to Common Space

GAN（生成对抗网络）全系列（二）
更多资料

前言

红色文字代表重点，黄色文字代表次重点，绿色文字代表了解，黑色文字为解释说明

1. Introduction

1. 1 Basic Idea of GAN

GAN， Generative Adversarial Network，作用是训练一个Generator，用于生成东西。

Generator的使用：给Generator一个随机的Vector，然后Generator生成一个随机的“长Vector”（图片、文字等）

【学习笔记-李宏毅】GAN（生成对抗网络）全系列（一）_生成对抗网络

输入的Vector的dimension（就是每个值）对应一个特征，例如上图中的第一个0.1可能就对应头发的颜色

Discriminator（判别器）：在训练Generator的时候，要同时训练一个Discriminator，作用是判别一张图片的真实程度。

Discriminator 接受一个图片，输出一个Scalar（数值），Scalar越大表示图片越真实

【学习笔记-李宏毅】GAN（生成对抗网络）全系列（一）_人工智能_02

GAN的训练过程（简易版）

1. 准备一个真实图片的数据集

2. 随机初始化Generator和Discriminator，此时Generator生成图片是瞎生成，Discriminator也是瞎分辨

3. 训练Discriminator:

3.1 让Generator生成一组图片，然后让Discriminator来分辨真假，同时也会告诉Discriminator真实的图片长什么样子

3.2. 根据第 3.1 步的损失来更新Discriminator

4. 训练Generator:

4.1. 继续让Generator生成一组图片，然后让Discriminator来分别真假。注意，本次只会让Discriminator看生成的图片

4.2. 根据第 4.1 步得到的损失来更新Generator

5. 重复迭代3,4步，直到满意为止

【学习笔记-李宏毅】GAN（生成对抗网络）全系列（一）_生成对抗网络_03

（最原始的）GAN训练过程（公式版），在每一个迭代过程做的事如下：

1. 从数据集中拿到【学习笔记-李宏毅】GAN（生成对抗网络）全系列（一）_学习_04 个样本【学习笔记-李宏毅】GAN（生成对抗网络）全系列（一）_数据_05

2. 从distribution中拿出【学习笔记-李宏毅】GAN（生成对抗网络）全系列（一）_学习_04 个噪音向量（就是生成m个均匀分布的随机向量，当然也可以是其他分布）

3. 让Generator根据噪音向量生成数据李宏毅2021机器学习深度学习6-1 生成式对抗网络GAN1 基本概念介绍

深度学习笔记十：生成对抗网络再思考f-GAN

《2021机器学习-李宏毅》学习笔记

机器学习-白板推导系列(三十一)-生成对抗网络(GAN，Generative Adversarial Network)

学习笔记GAN001:生成式对抗网络，只需10步，从零开始到调试

GNA笔记--GAN生成式对抗网络原理以及数学表达式解剖

学习笔记-李宏毅GAN（生成对抗网络）全系列

文章目录

前言

相关链接

1. Introduction

1. 1 Basic Idea of GAN