适合感兴趣同学自学

生成式对抗网络（GAN,generative adversarial network）对生成式模型的发展具有深远意义，自提出后立刻受到人工智能学术界和工业界的广泛研究与高度关注，随着深度学习的技术发展，生成式对抗模型在理论和应用上得到不断推进。首先，阐述生成对抗模型的研究背景与意义，然后，详细论述生成式对抗网络在建模、架构、训练和性能评估方面的研究进展及其具体应用现状，最后，进行分析与总结，指出生成式对抗网络研究中亟待解决的问题以及未来的研究方向。

基于LSTM生成对抗网络的多类别MIDI音乐生成

DeblurGAN DeblurGAN：使用条件对抗网络进行盲运动去模糊的Pytorch实现。 我们的网络将模糊的图像作为输入，并进行相应的清晰估计，如示例所示： 我们使用的模型是条件性Wasserstein GAN，具有基于VGG-19激活的渐变惩罚+感知损失。 这样的体系结构在其他图像到图像的转换问题（超分辨率，着色，修复，除雾等）上也给出了良好的结果。 怎么跑 先决条件 NVIDIA GPU + CUDA CuDNN（CPU未经测试，感谢反馈） 火炬 从下载权重。 请注意，在推论过程中，您仅需保持Generator权重。 放入砝码 /.checkpoints/experimen

目前大多数的图像风格迁移方法属于有监督学习，训练数据需要成对出现，并且在处理图像背景时，现有的方法过于繁琐。针对这些问题，提出了一种基于图像蒙板的无监督图像风格迁移方法。在实验中，采用了基于循环一致性的CycleGAN架构，并使用Inception-ResNet结构设计了一个全新的具有内置图像蒙板的生成式模型，最后通过无监督学习将图像的背景与学习到的抽象特征进行自动重组。实验表明，新方法有效地对图像背景和抽象特征进行自动分离与重组，同时解决了特征学习过程中的区域干扰问题，获得了可观的视觉效果。

使用生成的专业网络对图像进行着色 ██████╗ ██████╗ ██╗ ██████╗ ██████╗ ██╗███████╗███████╗ ██╔════╝██╔═══██╗██║ ██╔═══██╗██╔══██╗██║╚══███╔╝██╔════╝ ██║ ██║ ██║██║ ██║ ██║██████╔╝██║ ███╔╝ █████╗ ██║ ██║ ██║██║ ██║ ██║██╔══██╗██║ ███╔╝ ██╔══╝ ╚██████╗╚██████╔╝███████╗╚██████╔╝██║ ██║██║███████╗███████╗ ╚═════╝ ╚═════╝ ╚══════╝ ╚═════╝ ╚═╝ ╚═╝╚═╝╚══════╝╚══════╝ 这是。 对于一些应用

CycleGAN的Keras实现代码。CycleGAN 是一种无需成对示例便可自动进行图像到图像转换的技术。这些模型是采用一批无需关联的来自源域和目标域的图像，以一种无监督的方式训练的。

甘伯特 论文代码GAN-BERT：具有健壮标签分类示例的生成式对抗性学习和一堆带标签的示例已在2020年ACL上发表-Danilo Croce （罗马大学Tor Vergata），朱塞佩·卡斯特鲁奇（ Giuseppe Castellucci） （亚马逊）和Roberto Basili的短文（罗马大学的Tor Vergata）。该文件可以在找到。 GAN-BERT是BERT的扩展，它使用“生成对抗”设置来实现有效的半监督学习模式。它允许使用由有限数量的标记示例和未标记材料的较大子集组成的数据集训练BERT。 GAN-BERT可用于序列分类任务（也涉及对文本对）。 该代码在TREC数据集上运行GAN-BERT实验，以实现细粒度的“问题分类”任务。我们在此程序包中提供了代码和用于运行实验的数据，方法是使用2％的标记材料（109个示例）和5343个未标记的示例。测试集由500个带注释的示例组成

一个简单的PyTorch实现生成式对抗网络，专注于动画脸部绘图。A simple PyTorch Implementation of Generative Adversarial Networks, focusing on anime face drawing。

理解对抗网络，首先要了解生成模型和判别模型。判别模型比较好理解，就像分类一样， 有一个判别界限，通过这个判别界限去区分样本。理解了生成模型和判别模型后，再来理解对抗网络就很直接了，对抗网络只是提出了一 种网络结构，总体来说， GANs 简单的想法就是用两个模型，一个生成模型，一个判别模型。