1.GAN背景 2.GAN原理 3.最原始GAN 4.GAN变体 5.整整63页的ppt，下载就是赚到 到2014为止，最广泛使用和最成功的机器学习形式是监督学习。通过给定包含{输入X，输出Y}的训练数据集，监督学习算法学习从输入到输出的映射关系，以分类问题举例，监督学习算法得到的模型能够较好的识别特定的类别(一张照片属于狗或猫的情况)。 然而现有的监督学习通常需要数百万个训练数据来达到超过人类表现的效果，这对训练数据集的获取带来了极大的挑战。

TensorFlow-Conditional-GAN （Conditional-GAN）条件生成对抗网络 可以使用Vanilla GAN模型创建所需目标图像的模型 有条件的GAN论文： : 有条件的GAN.py * loss function는 https://github.com/SeonbeomKim/TensorFlow-vanilla-GAN 의 v2와 동일 * dataset : MNIST 有条件的GAN MNIST结果（经过290个训练周期）

pdf

论文来源：Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets[J]. Advances in neural information processing systems, 2014, 27. 根据上面论文，做一个简短的ppt汇报、分别讲述GAN的背景、结构、模型和目标函数等方面的理解

介绍 torchadver是一个Pytorch工具箱，用于生成对抗性图像。 基本的对抗攻击得以实施。 如 ， ， ， ， 等。 安装 如何使用 简短的攻击过程如下所示。 您可以参考更详细的过程介绍。 通过满足L2范数生成对抗性图像 非目标攻击 from torchadver . attacker . iterative_gradient_attack import FGM_L2 , I_FGM_L2 , MI_FGM_L2 , M_DI_FGM_L2 mean = [ 0.5 , 0.5 , 0.5 ] std = [ 0.5 , 0.5 , 0.5 ] # images normalized by mean and std images , labels = ... model = ... # use mean and std to determine effective rang

生成对抗网络综述：How Generative Adversarial Networks and Their Variants Work: An Overview

对抗性鲁棒性工具箱（ART）v1.5 对抗性鲁棒性工具箱（ART）是用于机器学习安全性的Python库。 ART提供的工具使开发人员和研究人员可以针对逃避，中毒，提取和推理的对抗性威胁捍卫和评估机器学习模型和应用程序。 ART支持所有流行的机器学习框架（TensorFlow，Keras，PyTorch，MXNet，scikit-learn，XGBoost，LightGBM，CatBoost，GPy等），所有数据类型（图像，表格，音频，视频等）和机器学习任务（分类，对象检测，语音识别，生成，认证等）。 了解更多 --- ----- -， --- 该图书馆正在不断发展中。 欢迎反馈，错误报告和贡献

人工智能英文版课件：06 Adversarial Search.ppt

循环GAN-TensorFlow 使用TensorFlow进行CycleGan的实现（正在进行中）。 原始论文： : 测试数据结果 苹果->橙色 输入值 输出量 输入值 输出量 输入值 输出量 橙色->苹果 输入值 输出量 输入值 输出量 输入值 输出量 环境 TensorFlow 1.0.0 的Python 3.6.0 数据准备 首先，下载一个数据集，例如apple2orange $ bash download_dataset.sh apple2orange 将数据集写入tfrecords $ python3 build_data.py 检查$ python3 build_

文本框 通过生成的对抗网络从输入的单词生成文本框。 视频：在不同的培训步骤中生成“生成”一词： ： 图1：使用我们的模型生成“具有相同样式的单词”的不同示例 内容 ： 经过训练的模型：经过预先训练的模型（有关该模型的更多详细信息，请参见“部分）。 将该目录放置在目录中。 要使用它，请将EXPERIMENT_NAME = None替换为EXPERIMENT_NAME = "trained model" ，并确保文件中的cfg.resume_step = 225000 。 aster_weights ：转换为tf2的 OCR的权重。 将此目录放置在项目的根目录下。 训练模型，运行投影仪和推断测试集是必需的。 perceptual_weights ：感知损失的权重，使用回购从pytorch转换而来。 将此目录放置在目录中。 运行投影仪是必需的。 构建码头工人 docker build