入门到实践应用的生成对抗网络GANs的文档，代码资源整合

石墨烯能带matlab代码GAN_石墨烯 信息： 作者 吴楚汉 董元 建林城 健林 电子邮件 介绍： 此Repo包含Deep Learning Bandgaps of topologically Doped Graphene -- Graphene GAN part Chuhan Wu论文防御项目Deep Learning Bandgaps of topologically Doped Graphene -- Graphene GAN part的源代码，其中包含用于预测石墨烯超单元结构的算法（GrapeheneGAN GAN [GraGAN]）。 同时，它包含石墨烯超级电池的最新数据（4by4：13018，5by5：79647，6by6：6382）。 数据分发（4by4和5by5数据）： DeepGraphene是一项跨学科研究，针对带隙值预测问题实施了机器学习方法。 它将不同类型的石墨烯超级电池结构描述为二维矩阵，他们利用这些数据来训练GraGAN。 因此，我们可以基于其带隙值预测石墨烯超级电池的结构。 GraGAN目的： 根据我们要创建的带隙值，我们可以创建各种高质量的石墨烯超级单

1、DCGAN的简单总结 稳定的深度卷积GAN 架构指南: 所有的pooling层使用步幅卷积(判别网络)和微步幅度卷积(生成网络)进行替换。 在生成网络和判别网络上使用批处理规范化。 对于更深的架构移除全连接隐藏层。 在生成网络的所有层上使用RelU激活函数，除了输出层使用Tanh激活函数。 在判别网络的所有层上使用LeakyReLU激活函数。

DCGAN DCGAN是深度卷积生成对抗网络。 DCGAN由彼此相对的两个神经网络组成。 生成器神经网络学习创建看起来真实的图像，而鉴别器学习识别伪造的图像。 随着时间的流逝，图像开始越来越像训练输入。 图像以随机噪声开始，并且随着时间的推移越来越类似于手写数字。 下面的gif显示了100个训练纪元： [1] Goodfellow，Ian等。 “生成对抗网络。” 神经信息处理系统的进步。 2014.（全文： : ） [2] Radford，Alec，Luke Metz和Soumith Chintala。 “具有深度卷积生成对抗网络的无监督表示学习。” arXiv预印本arXiv：1511.06434（2015）。 （全文： : ） [3] Y. LeCun，L。Bottou，Y。Bengio和P. Haffner。 “基于梯度的学习应用于文档识别。” IEEE会议论文集，

生成对抗网络代码

条件生成对抗网络源码

本资源主要包含AnimeGANv3的照片动漫化算法，其是AnimeGAN和AnimeGANv2的升级版。可将现实世界的照片或视频转为动漫风格的照片或视频。主要动漫风格包含宫崎骏动漫风格，新海诚动漫风格。官方算法链接：https://github.com/TachibanaYoshino/AnimeGANv3

压缩包内包含16篇生成对望网络GAN方面的英文论文（全是英文，不包含中文论文）。包含GAN, conditional GAN, DCGAN, WAGAN, SAGAN, 训练GAN的技巧等等，看完会对GAN有一个深入的认识。

SC-FEGAN SC-FEGAN：具有用户草图和颜色的人脸编辑生成对抗网络（ICCV 2019）Youngjoo Jo，Jongyoul Park arXiv：https://arxiv.org/abs/1902.06838概述使用深SC-FEGAN SC编辑人脸图像-FEGAN：使用用户的草图和颜色进行人脸编辑生成对抗网络（ICCV 2019）Joongjooul Park arXiv的Youngjoo Jo，https：//arxiv.org/abs/1902.06838概述使用深度神经网络编辑人脸图像。 用户可以使用直观的输入（例如草图和着色）来编辑面部图像，我们的网络SC-FEGAN可以从中生成高质量的合成图像。 我们使用了带有门控卷积层的SN-patchGAN鉴别器和类似Unet的生成器。 依存关系十

开始：边界平衡生成对抗网络 这是关于边界均衡生成对抗网络的论文的实现 。 依存关系 Python 3+ 麻木 张量流 tqdm h5py scipy（可选） 什么是边界均衡生成对抗网络？ 与标准的生成对抗网络，边界平衡生成对抗网络（BEGAN）使用自动编码器作为判别器。 定义自动编码器损耗，然后在真实样本和生成的样本的像素式自动编码器损耗分布之间计算Wasserstein距离的近似值。 在定义了自动编码器损耗的情况下（上图），Wasserstein距离近似简化为损耗函数，其中可区分的自动编码器的目标是在真实样本上表现出色，而在生成的样本上表现不佳，而生成器的目标是生成具有鉴别力的对抗样本忍不住表现出色。 此外，引入了超参数伽玛，它使用户能够通过平衡鉴别器和发生器来控制样品的多样性。 伽玛通过使用加权参数k来生效，该参数在训练时会进行更新以适应损失函数，从而使我们的输出与所需的