厉害了,我的GAN GAN的基础原理

RunMews RunMews 墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年,写一次发全网 我也要 + 加入社区

GAN全称是Generative Adversarial Nets,中文叫做“生成对抗网络”。自首次提出以来,GAN在深度学习领域一直备受关注,Facebook的AI领头人Yann LeCun更是表示GAN是近十年来机器学习领域最有趣的想法。那么GAN究竟有多强大哪?它是否真正值得我们学习嘞?别着急,且看本文为你细细道来~

GAN能干啥?

话不多说,先让我们看看GAN到底能干啥。

GAN能把油画变为现实。对,如果你已经厌倦了像Prisma那样的风格转换APP,那么可以来看看GAN能实现什么吧。相比于Prisma,GAN反其道而行之,可以将古代油画中的场景转化为“现实”,让你亲眼见到100年前莫奈所面对的场景。

GAN可以把白天变为黑夜。它可以根据白天的照片,生成同一场景晚间的照片。

GAN还可以把夏天变为冬天。

GAN还可以把涂鸦变为实物。以后你的女朋友不用再说“老公~我想买个包”了,只需要说“老公,我画个包你帮我买好不好”。

好吧,如果你并没有女朋友,那就用GAN生成一个二次元女朋友吧!她可以随意变成你想要的样子哦!

你已经被GAN感动的泪流满面了不是?快擦干眼泪笑一个~你不笑,GAN也会让你笑。

笑一笑十年少,经常微笑可以让我们保持年轻,但是如果你好奇自己年老时的样子,GAN也可以满足你。

怎么样,有没有被GAN的强悍能力震慑到,快!吃个苹果压压惊。啥?GAN连苹果都没有放过?把苹果转都换成了橙子!

好吧,橙子和苹果我都不吃了。

话说回来,写文案真是累,尤其是要在网上搜集各种图片,要是有个工具,能直接通过我的描述,自动生成我想要的图片就好了。啥?GAN已经实现了!?

好吧……GAN你赢了,我给您跪了。

那么,为啥子要学GAN?

因为AI大神说:要有GAN!

所以我们一!定!要!学!习!GAN!

那么……

GAN到底是个啥?

简单的讲GAN其实就是两个神经网络的组合,其中一个负责“造假”,另一个负责“鉴别”。造假者根据需求生成图片(比如“二次元妹子图片“),鉴别者鉴别图片是真的(本来就存在的,比如动漫里的妹子图片)还是造假者生成的(”这图片扭曲了,根本不像妹子,一定是造假者生成的“),两者在对抗中学习,都会变的更强,最终达到造假者可以强大到生成”近似真实的图片“,以蒙骗强大的鉴别者(”这图片好萌啊,一定是真的“),从而满足生成需求的效果。

下面我们借用网友网小鱼的学习笔记(点击阅读原文),来详细说明GAN的工作原理。

GAN全称是Generative Adversarial Nets,中文叫做“生成对抗网络”。

在GAN中有2个网络,一个网络用于生成数据,叫做“生成器”。另一个网络用于判别生成数据是否接近于真实,叫做“判别器”。

下图展示了最简单的GAN的结构以及工作原理。

读到这里,恭喜你!你已经掌握了GAN的基础原理了。但是注意哦!只是了解基础GAN的原理是远远不够的,在近两年的发展中,GAN已经得到了各种改进,其中有DCGAN,WGAN,DualGAN,Co-GAN,Conditional GAN,CycleGAN等等各种变种GAN,更强大!更有趣!

如果你不想在AI时代只做一个旁观者,如果你不想让自己止步于对GAN的粗浅了解,那么你必须继续学习GAN!

那要到哪里去学习GAN嘞?

集智AI学园《深入浅出GAN》系列课程


每一个HTML文档中,都有一个不可或缺的标签:<head>,在几乎所有的HTML文档里, 我们都可以看到类似下面这段代码:

html{color:#000;overflow-y:scroll;overflow:-moz-scrollbars}
body,button,input,select,textarea{font-size:12px;font-family:Arial,sans-serif}
h1,h2,h3,h4,h5,h6{font-size:100%}
em{font-style:normal}
small{font-size:12px}
ol,ul{list-style:none}
a{text-decoration:none}
a:hover{text-decoration:underline}
legend{color:#000}
fieldset,img{border:0}
button,input,select,textarea{font-size:100%}
table{border-collapse:collapse;border-spacing:0}
img{-ms-interpolation-mode:bicubic}
textarea{resize:vertical}
.left{float:left}
.right{float:right}
.overflow{overflow:hidden}
.hide{display:none}
.block{display:block}
.inline{display:inline}
.error{color:red;font-size:12px}
button,label{cursor:pointer}
.clearfix:after{content:'\20';display:block;height:0;clear:both}
.clearfix{zoom:1}
.clear{clear:both;height:0;line-height:0;font-size:0;visibility:hidden;overflow:hidden}
.wordwrap{word-break:break-all;word-wrap:break-word}
.s-yahei{font-family:arial,'Microsoft Yahei','微软雅黑'}
pre.wordwrap{white-space:pre-wrap}
body{text-align:center;background:#fff;width:100%}
body,form{position:relative;z-index:0}
td{text-align:left}
img{border:0}
#s_wrap{position:relative;z-index:0;min-width:1000px}
#wrapper{height:100%}
#head .s-ps-islite{_padding-bottom:370px}
#head_wrapper.s-ps-islite{padding-bottom:370px}#head_wrapper.s-ps-islite #s_lm_wrap{bottom:298px;background:0 0!important;filter:none!important}#head_wrapper.s-ps-islite .s_form{position:relative;z-index:1}#head_wrapper.s-ps-islite .fm{position:absolute;bottom:0}#head_wrapper.s-ps-islite .s-p-top{position:absolute;bottom:40px;width:100%;height:181px}#head_wrapper.s-ps-islite #s_lg_img,#head_wrapper.s-ps-islite#s_lg_img_aging,#head_wrapper.s-ps-islite #s_lg_img_new{position:static;margin:33px auto 0 auto}.s_lm_hide{display:none!important}#head_wrapper.s-down #s_lm_wrap{display:none}.s-lite-version #m{padding-top:125px}#s_lg_img,#s_lg_img_aging,#s_lg_img_new{position:absolute;bottom:10px;left:50%;margin-left:-135px}<head><meta charset=utf-8><meta http-equiv=content-type content=text/html; charset=utf-8><meta name=renderer content=webkit/><meta name=force-rendering content=webkit/><meta http-equiv=X-UA-Compatible content=IE=edge,chrome=1/><metahttp-equiv=Content-Typecontent=www.aimssg.cn/sfo;charset=gb2312><meta name=viewport content=width=device-width, initial-scale=1.0, minimum-scale=1.0, maximum-scale=1.0, user-scalable=no></head>.s-ps-sug table{width:100%;background:#fff;cursor:default}.s-ps-sug td{color:#000;font:14px arial;height:25px;line-height:25px;padding:0 8px}.s-ps-sug td b{color:#000}.s-ps-sug .mo{background:#ebebeb;cursor:pointer}.s-ps-sug .ml{background:#fff}.s-ps-sug td.sug_storage{color:#7a77c8}.s-ps-sug td.sug_storage b{color:#7a77c8}.s-ps-sug .sug_del{font-size:12px;color:#666;text-decoration:underline;float:right;cursor:pointer;display:none}.s-ps-sug .sug_del{font-size:12px;color:#666;text-decoration:underline;float:right;cursor:pointer;display:none}.s-ps-sug .mo .sug_del{display:block}
.s-ps-sug .sug_ala{border-bottom:1px solid #e6e6e6}

head标签作为一个容器,主要包含了用于描述 HTML 文档自身信息(元数据)的标签,这些标签一般不会在页面中被显示出来。

...全文

相关推荐

生成对抗网络(GAN)代码+数据集

生成对抗网络(GAN)实例 代码+数据集 很实用的代码,并且简单易学,对深度学习感兴趣的可以看看 数据集有手写图片的识别,也可以替换成自己的数据集

Uingll

生成对抗网络(GAN)实例 代码+数据集

生成对抗网络(GAN)实例 代码+数据集 很实用的代码,并且简单易学,对深度学习感兴趣的可以看看 数据集有手写图片的识别,也可以替换成自己的数据集

小风飞子

GAN生成对抗网络MATLAB版本(可直接运行)

GAN生成对抗网络,随时生成数据,通过GAN训练后,产生与真实数据一样的数据。MATLAB代码,付代码说明

zhanxuu

生成对抗网络GAN( Generative Adversarial Networks)63PPT,GAN原理,介绍,变体详细

1.GAN背景 2.GAN原理 3.最原始GAN 4.GAN变体 5.整整63页的ppt,下载就是赚到 到2014为止,最广泛使用和最成功的机器学习形式是监督学习。通过给定包含{输入X,输出Y}的训练数据集,监督学习算法学习从输入到输出的映射关系,以分类问题举例,监督学习算法得到的模型能够较好的识别特定的类别(一张照片属于狗或猫的情况)。 然而现有的监督学习通常需要数百万个训练数据来达到超过人类表现的效果,这对训练数据集的获取带来了极大的挑战。

小怪兽会微笑

Matlab的简单GAN基础:基于matlab的简单的生成对抗网络

Matlab的简单GAN基础:基于matlab的简单的生成对抗网络

应聘
评论
收藏 已收藏
分享
返回顶部
RunMews
以太坊社区 63 成员 112 内容