龙龙老师教程gan，wgan 280M训练数据集，二次元头像，一共280M，原来的baidupan里的失效了。

CVAE-GAN-ZOOS-PyTorch-初学者 首先先感谢给小透明点赞的几个朋友。 中文讲解： 如果你是第一次接触AE自编码器和GAN生成对抗网络，那这将会是一个非常有用且效率的学习资源。所有的内容使用PyTorch编写，编写格式清晰，非常适合PyTorch新手作为学习资源。本项目的所有模型当前都是基于MNIST数据库进行图片生成。MNIST数据集是一个比较小，一个光CPU可以运行起来的小数据库。新人友好数据库。 本项目包含以下模型：AE（自编码器），DAE（降噪自编码器），VAE（变分自编码器），GAN（对抗生成网络），CGAN（条件对抗生成网络），DCGAN（深度）卷积对抗生成网络），WGAN（Wasserstain对抗生成网络），WGAN-GP（基于渐变惩罚的WGAN），VAE-GAN（变分自编码对抗生成网络），CVAE-GAN（条件变分自编码对抗生成）网络）PS：部分英文翻译的

生成式对抗网络，搜集整理了网上关于GAN ,WGAN,汇总详解了WGAN-GP

WGAN with gradient penalty

GAN、DCGAN、WGAN、CGAN的原理以及它们的优缺点的总结ppt。

李宏毅wgan

使用Wgan生成二次元人物头像，train部分代码写的不全，自己根据需求补就行了，数据就使用李宏毅网课上提供的数据，太大了上传不了，网络使用的是DenseNet

本人实现的基于pytorch的WGAN-GP超分辨率重建算法,可以正常训练和测试,训练集用的是Flickr2K和DIV2K，pytorch版本1.7.0，可视化需要tensorboard依赖库

基于PyTorch实现生成对抗网络 拟合给定分布 要求可视化训练过程 实验报告 对比GAN、WGAN、WGAN-GP（稳定性、性能） 对比不同优化器的影响

基于tensorflow实现的wgan和wgan_gp，将数据集放于data文件夹下即可，如data/数据/*.jpg