Quantum-AnoGAN:这是用于异常检测的混合量子经典Ano-GAN算法的实现，其测试专门针对在智能电网的网络攻击场景下测试该算法

Social GAN——可视化-附件资源

这是我3.13-3.20这一周的学习情况，学习李宏毅老师的几个深度学习视频，同时我在学习两篇论文《一种硬盘故障预测的非监督对抗学习方法》和《Lifelong Disk Failure Prediction via GAN-based Anomaly Detection》后的一个文章脉络及内容分析，也就是总结收获啦，PPT的图片档已经上传至博客中，大家可以翻看到，但是会有不少动画在PPT中帮助理解，如果需要，下载PPT就好了，如有不对的地方，请指正，共同学习进步

pytorch-GAN 我的项目： 原始代码地址 项目进度 它适用于cifar10。 可以通过电子邮件获取详细信息。 mnist的结果 可以使用以下命令重现以下结果： python main.py --dataset mnist --gan_type --epoch 40 --batch_size 64 固定代 所有结果都是从固定噪声矢量生成的。 名称 纪元1 时代20 时代40 GIF 甘 CGAN VAE CVAE 威根 LSGAN 依宾 ACGAN infoGAN 萨根 用于标签的GAN 名称 纪元1 时代20 时代40 GIF CGAN CVAE ACGAN infoGAN 损失图 名称 失利 甘 CGAN VAE CVAE 威根 LSGAN 依宾 ACGAN infoGAN 萨根 资料

派托克·甘（PytorchGAN） 人脸-使用GAN和Pytorch正面实现

pix2pixHD能够利用条件GAN进行2048x1024分辨率的图像合成和处理，输入语义标注图生成接近真实的现实世界图像，例如街景图、人脸图像等，并且只需简单的操作即可修改和搭配图像，效果优于pix2pix和CRN等先前的方法。

The codes of paper "Long Text Generation via Adversarial Training with Leaked Information" on AAAI 2018. Text generation using GAN and hierarchical reinforcement learning.

social gan model and dataset for free to download

采用基于密度泛函理论(DFT)的广义梯度近似(GGA)的平面波超软赝势方法(PWP)分别对GaN和Cu吸附在GaN(0001)2×2表面atop、H3、T4不同位置的体系进行了几何结构优化，分别计算了GaN和Cu吸附GaN的两个体系的吸附能、能带结构和电子态密度。计算结果表明，在Cu吸附的GaN(0001)表面体系中，相比于Ga和N原子的上面位置，孤立的Cu原子最优先吸附在3倍原子层下的面心位置。Cu吸附的GaN(0001)表面体系呈现出半金属性，并且呈n型导电特征，这表明了Cu作为GaN器件电极的可行性。

埃斯甘 模型架构 增强和检测 低分辨率影像与侦测 超级解决影像与侦测 高分辨率地面真理图像和边界框 依赖关系和安装 Python 3（建议使用Anaconda） PyTorch> = 1.0 NVIDIA GPU + CUDA Python软件包： pip install -r path/to/requirement.txt 训练 python train.py -c config_GAN.json 测验 python test.py -c config_GAN.json 数据集 从此处下载数据集。 这是创建自定义图像补丁的GitHub存储库。 从此处下载预制数据集， 此脚本可与预制数据集一起使用，以创建高/低分辨率和双三次图像。 确保将注释文件（.txt）复制到HR，LR和Bic文件夹中。 编辑JSON文件 需要根据用户目录更改以下JSON文件的目录。 有关详细信息，