使用FGSM进行快速对抗训练 使用FGSM对手实施快速对抗训练代码的存储库，能够在6分钟内训练强大的CIFAR10分类器，并在12小时内训练强大的ImageNet分类器。 由 ， 和。 请参阅我们的arXiv上的论文，这是由自由对抗训练纸灵感通过Shafahi等。 （2019）。 消息 12/19/2019-ICLR 2020接受 1/14/2019-arXiv发布并发布存储库 该存储库中有什么？ 带有针对MNIST，CIFAR10和ImageNet的随机初始化的FGSM对抗训练方法的实现 使用库进行和混合精度训练，以实现类似DAWNBench的加速 使用此代码库的预训练模型 ImageNet代码大部分是从派生的，并进行了相应的修改，以进行快速FGSM对抗训练 安装及使用 所有示例都可以在不使用PyTorch v1.0或更高版本进行混合精度的情况下运行 要使用混合精度培训，请按照的顶点安

PyTorch-GAN.rar

保留身份的条件生成对抗网络的面Kong老化 该存储库是的人的官方开放源代码，由宗宗望， ，罗维新和高 。 它是在tensorflow中实现的。 请按照说明运行代码。 ！[scalars_framework] 1.安装 安装python的第3个程序包依赖项（在requirements.txt中列出） tensorflow-gpu==1.4.1 scipy==1.0.0 opencv-python==3.3.0.10 numpy==1.11.0 Pillow==5.1.0 pip install -r requirements.txt 其他图书馆 CUDA 8.0 Cudnn 6.0 2.下载数据集 我们使用跨年龄名人数据集进行培训和评估。 有关此数据集的更多详细信息，请参考（ ）。 经过面部检测，对齐和中心裁剪后，我们将图像分为5个年龄段：11-20、21-30、31

一种基于生成式对抗网络的图像风格迁移方法，利用人工智能方式实现图像风格变化迁移，

ERP club 人机对抗ERP电子沙盘模拟 (含注册机)

「攻防靶场」中国需要什么样的协作文档 - 安全对抗 网络安全 DDoS 安全架构 应用安全 大数据

研究小样本情况下，GAN在复杂产品费用预测上的应用。针对小样本情况下传统神经网络难以训练、预测准确度不高的问题，采用GAN网络与CNN网络结合的方法，借助GAN判别网络强大的特征提取能力，提取出样本的浅层特征，并将特征共享给CNN预测网络。CNN预测网络与判别网络共同约束生成网络，从而训练整个神经网络，最后以CNN预测网络进行复杂产品费用预测。以导弹作为复杂产品的样例进行实验，经实验论证，GAN-CNN联合网络预测的准确性约为95%。

生成式对抗网络Generative Adversarial Networks，共有257页ppt，包括GAN, DC GAN, ImprovedGAN, WGAN, WGAN-GP, Progr.GAN, SN-GAN, SAGAN, BigGAN(-Deep), StyleGAN-v1,2, VIB-GAN, GANs as Energy Models，非常值得关注！

利用PyTorch搭建基础生成对抗网络（GAN），详情可参考博客：https://blog.csdn.net/didi_ya/article/details/121401742

利用PyTorch搭建生成对抗网络生成手写数字图像，可参考文章：https://blog.csdn.net/didi_ya/article/details/121604572