生成对抗网络实现手写数字生成

自己写的BEGAN（Boundary Equilibrium GenerativeAdversarial Networks）的pyTorch实现. 有错误可以联系我改正。

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。

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

matlab版本的GAN网络，对抗生成网络

采用生成对抗网络（GAN）实现图像去模糊，用于图像的清晰化处理

看我如何让基于生成对抗网络模仿手写数字体系统看我如何让基于生成对抗网络模仿手写数字体系统看我如何让基于生成对抗网络模仿手写数字体系统看我如何让基于生成对抗网络模仿手写数字体系统

生成对抗网络GAN网络的原理，进展，方向。综述的比较详细了

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

资源包含文件：word+答辩PPT+源码+项目截图 经过国内外学者长时间地对GAN模型训练地数学理论上的研究因为涉及了博弈论、动力学和势场等学科领域而进展缓慢[]。然而研究者对神经网络模型的泛化能力和对抗样本攻击研究的突破，使得将神经网络模型的泛化和纳什均衡联系在一起有着光明的前景。这使得在数学理论等交叉性学科比较薄弱的人工智能研究员们目光吸引在这个领域。虽说，研究角度发生了改变，但是最终还是要解决关于GAN模型的几大根本性问题。以下，将逐步介绍开放性问题及理论原理。 详细介绍参考：https://blog.csdn.net/newlw/article/details/125043759