行业分类-物理装置-一种基于循环生成对抗网络的水下图像复原方法.zip

生成对抗网络入门指南pdf及部分例程

行业分类-物理装置-基于多辨别器对抗网络的碑帖二值化背景噪声去除方法.zip

Tensorflow中的V-GAN 该存储库是的中Tensorflow实现。 参考的keras代码可以在找到。 与Keras代码相比的改进 数据扩充已从脱机过程更改为联机过程，它解决了内存限制问题，但会减慢训练速度 添加train_interval FLAGS以控制生成器和鉴别器之间的训练迭代，对于普通GAN，train_interval为1 根据验证数据的AUC_PR和AUC_ROC之和保存最佳模型 添加采样功能以检查生成的结果以了解发生了什么 在训练过程中将测量结果绘制在张量板上 该代码的编写更加结构化曲线下面积（AUC），精度和召回率（PR），接收器工作特性（ROC） 包依赖 张量流1.6.0 python 3.5.3 numpy的1.14.2 matplotlib 2.0.2 枕头5.0.0 scikit图像0.13.0 scikit学习0.19.0 scipy

有条件的GAN去噪器 条件生成对抗网络（CGAN）模型的Tensorflow / Keras实现，可用于图像去噪或伪像去除。 CGAN由一个生成器网络和一个鉴别器网络组成。 生成器将嘈杂/伪像图像作为输入，目的是尽可能接近真实图像。 鉴别器模型将真实图像或生成的图像作为输入，目的是尽可能准确地区分两者。 因此，网络参与了至高无上的激烈竞争... 发电机网络模型基于[1]中的U-Net。 GalaxyGAN模型帮助了结构和模型体系结构的一些选择： ，[2]。 安装 旨在与Python 2.7或3.4或更高版本兼容，但仅在2.7.13和3.6.7上进行了测试。 您将需要 ，为您的机器进行适当设置。 您可以在environment.yml看到所需的Python软件包。 如果使用Anaconda，则可以使用此文件安装作者的环境（请注意，使用tensorflow-gpu ，它需要GPU）：

[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

实战攻防演习的演进 当攻防演习从短期转化为长期应如何应对 实战背景下的核心能力建设 攻防演习与渗透测试、风险评估的区别 通过网络安全滑动标尺，审视安全体系的有效性 实战化方式审视安全体系的有效性

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