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

基于生成对抗网络和差分隐私提出一种文本序列数据集脱敏模型，即差分隐私文本序列生成网络（DP-SeqGAN）。DP-SeqGAN通过生成对抗网络自动提取数据集的重要特征并生成与原数据分布接近的新数据集，基于差分隐私对模型做随机加扰以提高生成数据集的隐私性，并进一步降低鉴别器过拟合。DP-SeqGAN 具有直观通用性，无须对具体数据集设计针对性脱敏规则和对模型做适应性调整。实验表明，数据集经DP-SeqGAN脱敏后其隐私性和可用性明显提升，成员推断攻击成功率明显降低。

GAN生成面： Udacity深度学习纳米学位 使用GAN（生成对抗网络）生成新的面Kong图像。 如何运行： 安装点子 在命令行中通过pip安装jupyter笔记本：“ pip3 install jupyter” 克隆此仓库 进入终端中的这个仓库 在终端中运行“ jupyter笔记本”

这个仓库是一个“玩具”项目，所以我可以获得构建深层神经网络的经验。 我的第一个目标是学习用生成对抗网络（^。^。^）来生成猫的图片。