[英语] 这个例子展示了如何训练一个条件生成对抗网络（CGAN）来生成数字图像，这个demo是基于Matlab官方文档Train Conditional Generative Adversarial Network（CGAN）创建的https://jp.mathworks.com/help/deeplearning/ug/train-conditional-generative-adversarial-network.html [日本人]在这个demo中，手写数字是由Conditional GAN（Generative Adversarial Network）生成的。可以通过标签信息+图像学习网络，生成图像时添加标签信息，指定要生成的图像的类别。

生成对抗网络白箱攻击实验相关代码，可结合使用文档，见博客记录内容。简单的实现白盒下的图片对抗攻击，将cat图片识别成面包机，且人肉眼分不出，只欺骗模型。

PyTorch生成对抗网络编程（畅销书《Python神经网络编程》作者最新力作！用PyTorch构建自己的生成对抗网络） by 塔里克·拉希德

基于生成对抗网络的对抗样本攻击方法，田宇，刘建毅，随着深度学习技术的广泛应用，深度学习安全问题也逐渐引起人们关注，其中，对抗样本攻击是深度学习在安全领域中的热点。如何对深

基于生成对抗网络GAN的人工智能临近预报方法研究.pdf

SC-FEGAN : AI修图神器 - 使用用户草图和颜色人脸编辑生成对抗网络

合肥工业大学2021届物联网工程毕业论文：基于pix2pix的数据增强方法在工业芯片表面缺陷检测中的应用

通过协同调制的对抗网络进行大规模图像完成，ICLR 2021（聚焦） | [NEW！]是时候玩我们的！ 条件生成对抗网络的许多任务特定变体已经开发出来用于图像完成。 然而，仍然存在严重的局限性，即在处理大规模缺失区域时，所有现有算法都倾向于失败。 为了克服这一挑战，我们提出了一种通用的新方法，该方法通过对有条件和随机样式表示形式进行共调制来弥合图像条件和最近调制的无条件生成体系结构之间的差距。 此外，由于缺乏用于图像完成的良好定量指标，我们提出了新的配对/未配对初始判别分数（P-IDS / U-IDS） ，该指标可通过线性可分离性来可靠地测量修复图像与真实图像之间的感知保真度在特征空间中。 实验证明，在质量和多样性方面都优于最新形式的自由形式图像完成功能，并且易于将图像概括为图像到图像的翻译。 通过协同调制的对抗网络进行大规模图像完成，，盛怡伦，董悦，肖亮，张兆祥，徐彦清华大学与微软

Generative Adversarial Networks with Python Deep Learning Generative Models for Image Synthesis and Image Translation by Jason Brownlee 29 step-by-step lessons, 652 pages. intuitions behind models, much more. generate faces, translate photos, more 生成对抗网络是一种深度学习生成模型，可以在一系列图像合成和图像对图像转换问题上实现惊人的照片现实效果。 在这部新的电子书写在友好的机器学习掌握风格，你习惯了，跳过数学，直接跳到获得结果。 通过清晰的解释、标准的 Python 库（Keras和TensorFlow 2）和分步教程课程，您将发现如何为自己的计算机视觉项目开发生成对抗网络。

入门到实践应用的生成对抗网络GANs的文档，代码资源整合