人工智能领域 PyTorch生成对抗网络编程

使用LSGAN生成摩托车图像。 概述 在这项工作中，将光谱归一化技术应用于LSGANS，以合成新的摩托车彩色图像。 该项目的结果可能会帮助正在研究需要识别摩托车的交通识别系统的研究人员，尤其是在越南进行的研究。 实际上，摩托车是越南人日常生活中必不可少的部分，因为摩托车是越南人的主要交通工具。 建筑学 初步结果 从左至右：Epoch 0，Epoch 2000，Epoch 20000 为什么训练GAN具有挑战性？ 模式崩溃 简而言之，模式崩溃是发生器G产生有限种类的数据的情况，即，它总是为每个随机输入提供相似的输出（在这种情况下为图像）。 当鉴别器与生成器相比学习得太快时，就会发生模式崩溃。 下图显示了由生成器生成的具有模式崩溃问题的几个相似图像。 从图中可以看出，只使用了狭窄的颜色范围，这使自行车具有相似的外观。 仅使用公共Kaggle数据集时，我们遇到了这个问题。 通过添加更多数据并平衡

面向生成对抗网络的互优化，可实现可靠的语音识别

图像盲去运动模糊一直是计算机视觉领域的一个经典问题，它的目的是在模糊核未知的情况下恢复清晰图像。考虑到更大的感受野以及多尺度信息对恢复清晰图像中的全局信息以及局部细节信息具有重要作用，因此提出的方法对DeblurGAN方法进行改进，提出一种基于条件生成对抗网络的GR-DeblurGAN（granular residual DeblurGAN）的单图像盲去运动模糊方法，采用细粒度残差模块（granular residual block）作为骨干网络，以此在不增加参数量的情况下，扩大感受野，获得多尺度信息。最后在两个广泛使用的数据集：GoPro数据集以及Kohler数据集上进行算法性能评估，并与代表性算法进行对比。从实验结果可以看出，提出的方法改进效果明显，并且在计算开销上面优于其他算法。

视频监控、军事目标识别以及消费型摄影等众多领域对图像清晰度有很高的要求. 近年来, 深度神经网络在视觉和定量评估的应用研究中取得较大进展, 但是其结果一般缺乏图像纹理的细节, 边缘过度平滑, 给人一种模糊的视觉体验. 本文提出了一种基于生成对抗网络的图像清晰度提升方法. 为了更好的传递图像的细节信息, 采用改进的残差块和跳跃连接作为生成网络的主体架构, 生成器损失函数除了对抗损失, 还包括内容损失、感知损失和纹理损失. 在DIV2K数据集上的实验表明, 该方法在提升图像清晰度方面有较好的视觉体验和定量评估.

GAN从头开始 仅使用NumPy和Python建立的创生对抗网络。 生成器和鉴别器示例图形数据，鉴别器学会辨别真伪数据，而生成器学会通过生成真实外观的图形数据来欺骗鉴别器。 享受！ 怎么跑 要运行该程序，只需安装NumPy并运行main.py pip install numpy python main.py

深度学习在分类任务上取得了革命性的突破，但是需要大量的有标签数据作为支撑.当数据匮乏的时候，神经网络极易出现过拟合的问题，这种现象在小规模数据集上尤为明显.针对这一难题，本文提出了一种基于生成对抗网络的数据增强方法，并将其应用于解决由于数据匮乏，神经网络难以训练的问题.实验结果表明，合成的数据和真实的数据相比既具有语义上的相似性，同时又能呈现出文本上的多样性；加入合成的数据后，神经网络能够更加稳定地训练，而且分类的准确度也有了进一步的提高.将提出的算法和其他一些数据增强的技术对比，我们的方法结果最好，从而证明了这种技术的可行性和有效性.

sagan-pytorch PyTorch中的自我注意生成对抗网络（SAGAN， //arxiv.org/abs/1805.08318） 用法： python train.py路径 输入目录的结构应如下所示（与torchvision.datasets.ImageFolder一样）： 路径/类1 路径/类2 ... 评估FID分数的代码来自 笔记 来自DCGAN生成器的样本（无残留连接）以120k迭代。 似乎模型大小不足。 FID约为120。此模型折叠后。 来自ResNet生成器290k迭代的样本。 FID约为64.8。 用于生成器与鉴别器的不平衡学习计划，即1：5更新计划。 样本质量似乎有所提高，可能是因为增加了模型大小和更稳定的学习进度。 具有1：1更新时间表的火车Resnet模型既困难又不稳定。

甘 生成对抗网络（GAN）以生成MNIST图像。

GAN Lab：生成对抗网络GAN的交互式可视化实验工具