研究小样本情况下，GAN在复杂产品费用预测上的应用。针对小样本情况下传统神经网络难以训练、预测准确度不高的问题，采用GAN网络与CNN网络结合的方法，借助GAN判别网络强大的特征提取能力，提取出样本的浅层特征，并将特征共享给CNN预测网络。CNN预测网络与判别网络共同约束生成网络，从而训练整个神经网络，最后以CNN预测网络进行复杂产品费用预测。以导弹作为复杂产品的样例进行实验，经实验论证，GAN-CNN联合网络预测的准确性约为95%。

生成式对抗网络Generative Adversarial Networks，共有257页ppt，包括GAN, DC GAN, ImprovedGAN, WGAN, WGAN-GP, Progr.GAN, SN-GAN, SAGAN, BigGAN(-Deep), StyleGAN-v1,2, VIB-GAN, GANs as Energy Models，非常值得关注！

利用PyTorch搭建基础生成对抗网络（GAN），详情可参考博客：https://blog.csdn.net/didi_ya/article/details/121401742

利用PyTorch搭建生成对抗网络生成手写数字图像，可参考文章：https://blog.csdn.net/didi_ya/article/details/121604572

利用PyTorch搭建卷积生成对抗网络生成彩色图像，可参考文章：https://blog.csdn.net/didi_ya/article/details/121670277

用PyTorch搭建条件生成对抗网络（CGAN），详情可参考文章：https://blog.csdn.net/didi_ya/article/details/121604572

AnimeGAN生成对抗网络的一种简单的PyTorch实现，专注于动漫头像绘制。 随机生成的图像图像是从在143,000个动漫人物AnimeGAN上训练的DCGAN模型生成的，该游戏是Generative Adversarial Networks的简单PyTorch实现，着重于动漫头像。 随机生成的图像图像是从DCGAN模型中生成的，该模型在143,000个动漫角色脸上训练了100个历元。 图像插值操纵潜在代码，可以实现从第一行到最后一行的图像过渡。 原始图像图像不干净，可以观察到一些离群值，这会降低生成图像的质量。 用法

今天小编就为大家分享一篇pytorch GAN生成对抗网络实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

Tensorflow中的贝叶斯生成对抗网络

无透镜同轴全息图中包含零级像和孪生像噪声,采用基于菲涅耳衍射模型的方法进行抑制时需要多幅无透镜图像。针对此问题,提出一种基于生成对抗网络(GAN)的无透镜成像方法。首先计算部分相干光照明下无透镜图像的离焦距离,根据该离焦距离反向衍射传播,得到含零级像和孪生像的物平面图像。然后对该物平面图像与作为标准参考的商用显微镜图像进行配准,将配准后的图像作为GAN的训练样本,训练后得到GAN的核函数。最后用训练好的核函数对无透镜图像进行处理,得到清晰的目标图像。实验结果表明,所提方法可对零级像和孪生像有效抑制,图像的对比度和清晰度明显提高,效果可达4×商用显微物镜。所提方法在图像重建阶段只需单张无透镜图像且无需傅里叶变换等复杂操作,成像时间大大缩短。相比于基于卷积神经网络(CNN)的方法,所提方法需要的训练数据量更少,损失函数更易收敛,具有更高的处理效率。