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。

着色_GAN 使用条件生成对抗网络进行灰度图像着色。 这是DCGAN的PyTorch实现，如论文“中所述 先决条件 Python 3.6 火炬 方法 在传统GAN中，发生器的输入是随机产生的噪声数据z。 但是，由于其输入的性质，该方法不适用于自动着色问题。 必须修改发生器，以接受灰度图像作为输入而不是噪声。 通过使用称为的GAN变体解决了此问题。 由于没有引入噪声，因此将生成器的输入视为零噪声，而将灰阶输入作为先验： 鉴别器从生成器和原始数据中获取彩色图像，并以灰度输入作为条件，并试图分辨出哪对包含真正的彩色图像： 网络架构 生成器的体系结构受U-Net的启发：模型的体系结构是对称的，具有n个编码单元和n个解码单元。 为了区分，我们使用类似的架构作为基线收缩路径。 数据集 我们使用CIFAR-10数据集。 要培养对fulldataset模式，下载数据集。 参考 使用GAN进行图像着

借助生成对抗网络实现无人监督的深度图像增强 IEEE图像处理事务（T-IP） 1 ，1 ，1 ，2 ， 1 [ ] [ ] 1香港城市大学， 2美团集团 介绍 该网站共享IEEE图像处理事务（T-IP），第一卷，“通过生成的对抗网络实现无监督的深度图像增强”的代码。 2020年9月29日，第9140-9151页。 抽象的 对于公众而言，提高图像的美学质量是充满挑战和渴望的。 为了解决这个问题，大多数现有算法都是基于监督学习方法来学习用于配对数据的自动照片增强器，该照片增强器由低质量的照片和相应的专家修饰版本组成。 但是，专家修饰的照片的样式和特征可能无法满足一般用户的需求或偏好。 在本文中，我们提出了一种无监督的图像增强生成对抗网络（UEGAN），该网络以无监督的方式从一组具有所需特征的图像中学习相应的图像到图像的映射，而不是学习大量的成对图像。 所提出的模型基于单个深层GAN，该

1.进行生成对抗网络或零样本学习的学术研究生； 2.想了解生成对抗网络或零样本学习应用现状，不知从何看起； 3.需要多看文献来了解GAN的使用和应用； 4.希望快速ZSL的结合点和应用情况，并寻找灵感；

关于 由Keras实施BEGAN（）。 版本 由这些软件版本开发。 Mac OS Sierra：10.12.4 的Python：3.5.3 凯拉斯：2.0.3 Theano：0.9.0 枕头：4.1.0 如何使用 设置 pip install -r requirements.txt 创建数据集 准备影像 您可以使用任何正方形图像。 例如， 图像 [new] All images aligned with deep funneling (111MB, md5sum 68331da3eb755a505a502b5aacb3c201) 将图像转换为64x64像素 安装imagemagick 对于convert命令，请安装imagemagick。 brew install imagemagick 转换图像 ORIGINAL_IMAGE_DIR ：原始JPG图像的目录 TARGET

PyTorch-GAN.rar

保留身份的条件生成对抗网络的面Kong老化 该存储库是的人的官方开放源代码，由宗宗望， ，罗维新和高 。 它是在tensorflow中实现的。 请按照说明运行代码。 ！[scalars_framework] 1.安装 安装python的第3个程序包依赖项（在requirements.txt中列出） tensorflow-gpu==1.4.1 scipy==1.0.0 opencv-python==3.3.0.10 numpy==1.11.0 Pillow==5.1.0 pip install -r requirements.txt 其他图书馆 CUDA 8.0 Cudnn 6.0 2.下载数据集 我们使用跨年龄名人数据集进行培训和评估。 有关此数据集的更多详细信息，请参考（ ）。 经过面部检测，对齐和中心裁剪后，我们将图像分为5个年龄段：11-20、21-30、31

研究小样本情况下，GAN在复杂产品费用预测上的应用。针对小样本情况下传统神经网络难以训练、预测准确度不高的问题，采用GAN网络与CNN网络结合的方法，借助GAN判别网络强大的特征提取能力，提取出样本的浅层特征，并将特征共享给CNN预测网络。CNN预测网络与判别网络共同约束生成网络，从而训练整个神经网络，最后以CNN预测网络进行复杂产品费用预测。以导弹作为复杂产品的样例进行实验，经实验论证，GAN-CNN联合网络预测的准确性约为95%。