利用PyTorch搭建卷积生成对抗网络生成彩色图像，可参考文章：https://blog.csdn.net/didi_ya/article/details/121670277

针对传统使用脉间参数难以识别低信噪比条件下的复杂体制雷达信号问题，提出了一种利用深度学习模型辅助训练并对雷达辐射源进行识别的方法。首先利用时频分析的方法产生雷达信号的时频图像作为训练集1。接着利用深度卷积生成对抗网络的样本学习能力在训练集1的基础上二次生成时频图像作为训练集2，训练集2相对于1拥有着去噪和数据增强的效果。最后利用训练集2辅助视觉几何组在训练集1上的训练进行雷达辐射源识别。对5种常见的雷达信号进行了仿真实验，实验结果验证了该方法的有效性。

KERAS-DCGAN 具有（awesome） 库的实现，用于通过深度学习生成人工图像。 这将在真实图像上训练两个对抗性深度学习模型，以产生看起来真实的人工图像。 生成器模型尝试生成看起来真实的图像，并从鉴别器中获得高分。 鉴别器模型试图区分生成器的真实图像和人工图像。 这假设theano排序。 您仍然可以通过在〜/ .keras / keras.json中设置“ image_dim_ordering”：“ th”与tensorflow一起使用（尽管这样做会更慢）。 用法 训练： python dcgan.py --mode train --batch_size <batch_si

DCGAN-TensorFlow-面生成 使用深度卷积生成对抗网络生成的人脸图像

TF-VAE-GAN-DRAW ，和TensorFlow实现。 跑 VAE / GAN： python main.py --working_directory /tmp/gan --model vae 画： python main-draw.py --working_directory /tmp/gan 深度卷积生成对抗网络在使用默认参数的10个星期后产生了不错的结果。 ＃＃＃去做： 更复杂的数据。 添加 用空间变压器层替换当前的注意力机制

Tensorflow implementation of [Deep Convolutional Generative Adversarial Networks](http://arxiv.org/abs/1511.06434) which is a stabilize Generative Adversarial Networks.