生成对抗网络，卡通人脸数据集

针对ImageNet，CIFAR10和MNIST的PyTorch对抗性攻击基准 ImageNet，CIFAR10和MNIST的PyTorch对抗性攻击基准（最先进的攻击比较） 该存储库提供了用于评估各种对抗攻击的简单PyTorch实现。 该存储库显示每个数据集的最新攻击成功率。 该存储库利用了攻击库，例如 ， 等。 如果您对此存储库有疑问，请给我发送电子邮件（ ）或提出问题。 影像网 该存储库提供了一个包含1,000个类的小型ImageNet验证数据集。 该数据集每个班级有5张图像（总计5,000张图像）。 这是ImageNet验证数据集的子集。

很少有用生成对抗网络（GAN）来进行DEAP的脑电情绪识别。重点是构建生成对抗网络（GAN）和条件生成对抗网络（CGAN）模型。采用的是Pytorch深度学习框架。

该数据集为动漫人物头像数据集，一共有21511个动漫人物头像，供大家使用。 可以用于训练GAN,DCGAN等一系列的生成对抗神经网络的实验。具体实验方法已经更新，大家可以点击我的主页进行查看，pytorch 使用DCGAN生成动漫人物头像。 入门级实战必看的小例子，大家可以自行查看。欢迎大家进行探讨讨论，提出更优秀的训练方法。

pretrained_model-使用pytorch/examples/mnist训练的 MNIST 模型的路径。 为简单起见，请在此处下载预训练模型。

人工智能领域 PyTorch生成对抗网络编程

对抗生成网络学习（九）——CartoonGAN+爬虫生成《言叶之庭》风格的影像(tensorflow实现)-附件资源

高效的基于决策的人脸识别黑匣子对抗攻击

基于MNIST样式的自动编码器 （AAE）模型，可在高斯分布多元变量上对MNIST图像的样式信息进行编码。 这里使用的模型是从在第4所讨论的一个（监督对抗性自动编码）略有不同。 在本文中，仅解码器具有指示数字的标签。 鉴于此，我们还为编码器提供了标签。 路线图 简单的自动编码器 可视化潜在特征空间（样式空间）的脚本。 对抗式自动编码器，可将样式空间调整为高斯分布。 一个脚本，用于从随机样式矢量生成所有数字的图像。 设置 $ python3 -m venv pyenv $ source pyenv/bin/activate $ pip3 install -r requirements.txt 用法 $ ./mnist-sae.py --help usage: mnist-sae.py [-h] [--batch-size B] [--epochs E] [--lr LR]

使用LSGAN生成摩托车图像。 概述 在这项工作中，将光谱归一化技术应用于LSGANS，以合成新的摩托车彩色图像。 该项目的结果可能会帮助正在研究需要识别摩托车的交通识别系统的研究人员，尤其是在越南进行的研究。 实际上，摩托车是越南人日常生活中必不可少的部分，因为摩托车是越南人的主要交通工具。 建筑学 初步结果 从左至右：Epoch 0，Epoch 2000，Epoch 20000 为什么训练GAN具有挑战性？ 模式崩溃 简而言之，模式崩溃是发生器G产生有限种类的数据的情况，即，它总是为每个随机输入提供相似的输出（在这种情况下为图像）。 当鉴别器与生成器相比学习得太快时，就会发生模式崩溃。 下图显示了由生成器生成的具有模式崩溃问题的几个相似图像。 从图中可以看出，只使用了狭窄的颜色范围，这使自行车具有相似的外观。 仅使用公共Kaggle数据集时，我们遇到了这个问题。 通过添加更多数据并平衡