seqGAN PyTorch实现的“ SeqGAN：具有策略梯度的序列生成对抗网络”。 （于兰涛等）。 该代码经过高度简化，注释和（希望）易于理解。 实施的策略梯度也比原始工作（ ）简单得多，并且不涉及推广-整个句子使用单一奖励（受的示例启发） ）。 使用的体系结构与原始工作中的体系结构不同。 具体而言，将循环双向GRU网络用作鉴别器。 该代码按论文中所述对合成数据进行实验。 我们鼓励您对代码作为问题的工作方式提出任何疑问。 要运行代码： python main.py main.py应该是您进入代码的入口。 技巧与观察 在这种情况下，以下黑客（从借来）似乎有效： 培训鉴别器

“生成对抗式插补网络（GAIN）”的代码库 作者：尹振成，詹姆斯·乔登，米哈埃拉·范德沙尔 论文：Jinsung Yoon，James Jordon，Mihaela van der Schaar，“ GAIN：使用生成对抗网络进行数据插补”，国际机器学习会议（ICML），2018年。 论文链接： : 联络人： 该目录包含使用两个UCI数据集进行插补的GAIN框架的实现。 UCI信（ ） UCI垃圾邮件（ ） 要运行有关GAIN框架的培训和评估管道，只需运行python3 -m main_letter_spam.py。 请注意，任何模型体系结构都可以用作生成器和鉴别器模型，例如多层感知器或CNN。 命令输入： data_name：字母或垃圾邮件 miss_rate：缺少组件的概率 batch_size：批量大小 hint_rate：提示率 alpha：超参数 迭代：

针对基于深度学习的语音信号去噪方法存在难于收敛、性能不足的问题，本文提出了基于环状生成对抗网络的深度语音信号去噪方法，设计了新型的环状生成对抗语义去噪网络。通过40余种不同噪声语音集的试验，结果表明所提方法在5种衡量标准下都明显改善了去噪性能。

路径GAN 基于采样路径规划启发式生成对抗网络的Pytorch实现 表中的内容 结构 PathGAN的总体结构由两部分组成： RRT *搜索算法和 产生性的对抗性网络，用于产生有希望的区域 搜索算法 RRT*算法： 比较RRT*和Heuristic RRT* ： GAN架构 GAN整体架构： GAN架构的详细信息： 数据集 数据集 训练 结果 执照 该项目在麻省理工学院获得许可。 链接 基于生成式对抗网络的启发式算法，用于基于采样的路径规划（arXiv文章） GAN路径查找器（arXiv文章）

我们提出了一个简单的正则化方案来处理生成对抗网络（GAN）中的模式缺失和训练不稳定的问题。 关键思想是利用鉴别器学习到的视觉特征。 我们通过向生成器提供由鉴别器提取的真实数据特征来重建真实数据。 将重建损失添加到GAN的目标函数中，以强制生成器可以根据鉴别器的特征进行重建，这有助于明确指导生成器朝着接近实际数据的可能配置进行。 所提出的重建损失提高了GAN的性能，在不同的数据集上产生了更高质量的图像，并且可以轻松地与其他正则化损失函数（例如梯度罚分）组合以提高各种GAN的性能。 我们对不同数据集上广泛采用的DCGAN体系结构和复杂的ResNet体系结构进行了实验，结果表明了该方法的有效性和鲁棒性。

WGAN-GP纯粹是为了满足WGAN中的李普西斯条件，WGAN自己的满足方式是gradient clipping，但是这样的话WGAN的大部分weight会是正负0.01，需要新的满足李普西斯条件的方法，这就是motivation；

生成对抗网络GAN使用PyTorch框架实现

生成对抗神经网络matlab代码神经网络的鲁棒性 团队成员： 里查·辛格 FNU萨钦 注意：由于文件较大，我们无法上传 EMNIST 数据集 emmist-balanced.mat 文件。 这个数据集可以在链接上找到。 如果找不到，请发送电子邮件至 或 。 项目内容： src/main.ipynb：运行 PDF 报告中提到的代码的 Pyhton notebook。 src/emmist-balanced.mat：EMNIST 数据集的 MATLAB 格式（由于大小超过 25 MB，无法上传）。 src/adversarial_examples.py：生成各种对抗样本的脚本。 src/plots.py：绘制各种分析图的脚本。 src/train_network.py：用于训练基本和蒸馏神经网络的脚本。 src/l0_attack.py：为我们的基础设施修改的作者代码。 包含 L-0 攻击。 src/l2_attack.py：为我们的基础设施修改的作者代码。 包含 L-2 攻击。 src/li_attack.py：为我们的基础设施修改的作者代码。 包含 L-Infinity 攻击。 src

可见光图像易受光照变化影响，而热红外图像对成像的光照条件具有鲁棒性，因此，热红外图像可以弥补可见光图像光照敏感性这一不足。然而，红外热像仪价格昂贵，采集热红外图像的成本远高于可见光图像。针对此问题，提出了一种基于生成对抗网络的热红外人脸图像生成方法，采用条件生成对抗网络结合L1损失从可见光图像中生成红外热像。在USTC-NIVE数据库上的实验结果验证了所提出的红外热像生成方法的有效性。同时，将生成的红外热像作为扩充样本，有助于提高红外表情识别的精度。

在PyTorch和PyTorch Lightning中生成深度学习模型的实现 DCGAN 论文： 作者：Alec Radford，Luke Metz，Soumith Chintala 代码（PyTorch）： 由 码（闪电）： 由 去做 DCGAN Pix2Pix 循环GAN SRGAN