台大机器学习李宏毅PPT

adversarial-autoencoder, 敌对 autoencoder ( AAE )的Chainer实现 对抗性 AutoEncoder的代码。要求Chainer 2 python 2或者 3将标签信息合并到对抗性正则化中运行 semi-supervised/regularize_z/train.py我们用 10K 个

Generative Adversarial Networks with Python Deep Learning Generative Models for Image Synthesis and Image Translation by Jason Brownlee 29 step-by-step lessons, 652 pages. intuitions behind models, much more. generate faces, translate photos, more 生成对抗网络是一种深度学习生成模型，可以在一系列图像合成和图像对图像转换问题上实现惊人的照片现实效果。 在这部新的电子书写在友好的机器学习掌握风格，你习惯了，跳过数学，直接跳到获得结果。 通过清晰的解释、标准的 Python 库（Keras和TensorFlow 2）和分步教程课程，您将发现如何为自己的计算机视觉项目开发生成对抗网络。

基于tensorflow实现的DCGAN，自动生成动漫头像(内有头像数据爬取和裁剪函数)，也可以生成任意数据集（将数据文件夹放于data文件夹下即可，如data/faces/*.jpg）

CIFAR-10的Pytorch对抗训练 该存储库为CIFAR-10上的对抗训练方法提供了简单的PyTorch实现。 该存储库显示的精度与原始论文中的精度相似。 如果您对此存储库有疑问，请给我发送电子邮件（ ）或提出问题。 实验设定 此存储库中使用的基本实验设置遵循使用的设置。 数据集：CIFAR-10（10个类） 攻击方式：PGD攻击 Epsilon大小： L无限边界为0.0314 Epsilon大小：绑定L2时为0.25（用于攻击）或0.5（用于训练） 培训批次大小：128 重量衰减：0.0002 动量：0.9 学习率调整 0.1代表时期[0，100） 纪元0.01 [100，150） 历时0.001 [150，200） 该存储库中使用的ResNet-18体系结构比Madry Laboratory小，但性能相似。 训练方法 1.基本训练 基本训练方法采用He

半监督文本分类的对抗训练方法 规范 此代码重现用 。 设置环境 请安装和 。 您可以使用此轻松设置环境。 下载预训练模型 请下载预先训练的模型。 $ wget http://sato-motoki.com/research/vat/imdb_pretrained_lm.model 结果 模型 错误率 基线 7.39 基准（我们的代码） 6.62 对抗性 6.21 对抗训练（我们的代码） 6.35 虚拟对抗训练 6.40 虚拟对抗训练 5.91 虚拟对抗训练（我们的代码） 5.82 跑 预训练 $ python -u pretrain.py -g 0 --layer

DeepFool对抗算法实现代码，需先下载cleverhans集成库，或是我资源中的FGSM算法也可以。

GAIN Missing Data Imputation using Generative Adversarial Nets 解析PPT

GAN-Matlab基础：MAT中GAN的实现

PyTorch的FID分数 这是FréchetInception 到PyTorch正式实施的端口。 有关使用Tensorflow的原始实现，请参见 。 FID是两个图像数据集之间相似度的度量。 它被证明与人类对视觉质量的判断具有很好的相关性，并且最常用于评估生成对抗网络的样本质量。 通过计算两个高斯函数之间的来计算FID，这些高斯函数适合于Inception网络的特征表示。 有关可以找到进一步的见解和对FID分数的独立评估 。 权重和模型的权重和模型完全相同，并经过测试得出了非常相似的结果（例如，使用ProGAN生成的图像，LSUN上的.08绝对误差和0.0009相对误差）。 但是，由于