(一)深度卷积对抗网络DCGAN
欢迎访问个人网络日志🌹🌹知行空间🌹🌹
1.简介
生成对抗网络Generative Adversarial Networks是法国蒙特利尔大学发表在2014
年NIPS
上的文章,提出了非常有意思的生成对抗网络。关于生成模型的介绍可以参考MIT
的DeepLearning
课程。
2.背景
2.1生成模型
生成模型是这样的模型,其从一个数据分布中采样一部分点作为输入,然后训练模型来表征训练数据分布。
使用生成模型的优点有:
- 1.能够去除数据中的偏置,找到数据的公共特征
- 2.当出现新的情况时可以做异常检测,处理未出现的情况
常见的生成模型有自编码器AutoEncoder
和生成对抗网络GANs
,这两种模型,一般输入是图像,输出也是图像,网络本身包含了下采样和上采样的过程,似乎把模型变量隐藏了,因此也称为隐变量模型Latent Variable Models
。
2.2自编码器
自编码器是通过下采样的编码器和上采样解码器来训练模型,使得对于输入图像得到与原图像大小相同的图像,然后最小化重建误差,来学习训练数据中的隐藏公共特征。
2.3变分自编码器
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5XZRma8g-1651764515047)(/images/GAN/1gan/vae.png)]
变分自编码器(Variational auto-encoder,VAE)对每一个样本 X k X_k Xk匹配一个高斯分布,隐变量Z就是从高斯分布中采样得到的。VAE让每个高斯分布尽可能地趋于标准高斯分布 N ( 0 , 1 ) \mathcal N(0,1) N(0,1),拟合过程中的误差损失则是采用KL散度作为计算。
3.生成对抗网络
生成对抗网络有两部分组成,一个生成器和判别器,生成器用来将一个随机的输入生成一个图像,并使该图像尽可能的接近真实图像以欺骗过判别器使判别器将生成器生成的图像当成真实图像。而判别器则尽可能的区分出生成器生成的图像和真实图像。
生成对抗网络的结构及损失函数
代码实现可参考gitee仓库
参考资料
欢迎访问个人网络日志🌹🌹知行空间🌹🌹
相关文章
- [DeeplearningAI笔记]卷积神经网络2.3-2.4深度残差网络
- 【双流CNN】基于双流CNN深度学习网络的识别检测仿真
- 【MATLAB教程案例64】深度学习网络建模1,通过matlab编程实现
- 【人脸识别】基于GoogleNet深度学习网络的人脸识别matlab仿真
- Matlab R2015b+CUDA7.5+vs2013深度学习网络GPU搭建
- 阿里健康:网络诊疗+慢病管理的时机已经成熟丨疫情下的危与机
- 机器学习笔记之深度信念网络(一)背景介绍与结构表示
- 零基础入门深度学习(五):长短时记忆网络
- 《深度学习导论及案例分析》一1.2深层网络的特点和优势
- tableView 获取网络图片,并且设置为圆角(优化,fps)
- 《软件定义网络:基于OpenFlow的SDN》一一第1章 OpenFlow概述
- 【毕业设计_课程设计】基于深度学习网络模型训练的车型识别系统
- 深度学习 对抗生成网络 使用生成对抗网络生成图片
- 深度学习网络大杀器之Dropout——深入解析Dropout
- 打脸NSA:法国前情报官员证实NSA曾入侵法国总统府网络
- 移动通信网络质量监测渐成监管重点
- Sentence-BERT: 一种能快速计算句子相似度的孪生网络
- Python学习网络爬虫--转
- 深度剖析:CDN内容分发网络技术原理--转载
- 深度学习 Day 7——如何使用对抗网络生成手写数字?