这是FID预训练好的模型，针对coco的文本生成图像定量指标训练好的模型 复现步骤请看：https://blog.csdn.net/air__Heaven/article/details/124751665 CUB-Bird的FID预训练好的模型，请看：https://download.csdn.net/download/air__Heaven/85362542

gan pytorch算法代码

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。

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）

看论文，把论文主要做啥的做的笔记，适合刚开始学习GAN的同学们，我也是新手

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

氮化镓(GaN)是接近理想的半导体开关的器件，能够以非常高的能效和高功率密度实现电源转换。但GaN器件在某些方面不如旧的硅技术强固，因此需谨慎应用，集成正确的门极驱动对于实现性能和可靠性至关重要。本文着眼于这些问题，给出一个驱动器方案，解决设计过程的风险。 　　正文 　　氮化镓(GaN)HEMT是电源转换器的典范，其端到端能效高于当今的硅基方案，轻松超过服务器和云数据中心严格的80+规范或USB PD外部适配器的欧盟行为准则Tier 2标准。虽然旧的硅基开关技术声称性能接近理想，可快速、低损耗开关，而GaN器件更接近但不可直接替代。为了充分发挥该技术的潜在优势，外部驱动电路必须与GaN器件

基于氮化镓的高电子迁移率场效应晶体管(GaN HEMT)具有电子迁移率高、耐高温和极低的寄生电容等诸多特点而成为开关变换器领域关注的焦点。限于目前的制造工艺,基于氮化镓材料的MOS开关器件更容易做成耗尽型,针对耗尽型GaN HEMT器件的负电压关断特性,结合其应用于开关变换器的上电短路问题,提出一种GaN HEMT器件与增强型MOSFET的组合开关电路,可实现对耗尽型GaN HEMT器件的开、关控制及可靠关断,但其关断速度不够快。为此,提出一种快速关断GaN HEMT器件的驱动电路,并得到了进一步提高GaN HEMT器件开关速度的改进电路,可实现对耗尽型GaN HEMT器件快速可靠关断。实例及实验结果验证了所提出电路的可行性。