摘要： 1.摘要： 尽管近来生成图片模型取得了进步，成功生成了高分辨率的图片，但是在复杂的数据集中，样本的多样性仍然是难以捉摸的目标。本文尝试在大规模上训练生成对抗网络，并研究这种规模下的不稳定性。我们发现将正交正则化应用于生成器使其能够适应简单的‘截断处理，允许通过减少生成器输入的方差来精细的控制样本保真 阅读全文

摘要： 参考博客https://blog.csdn.net/qq_36556893/article/details/86505934 深度学习入门之pytorch https://github.com/L1aoXingyu/code-of-learn-deep-learning-with-pytorch G 阅读全文

摘要： BEGAN: 创新： 1.不是考虑生成图片与真实图片之间的真实的分布，而是估计分布的误差的分布之间的差距。 2.G,D的能力平衡提出了一种均衡的概念 3。提供了一种超参数，这超参数可以在图片的多样性和生成质量之间做均衡 判别模型是自编码器，生成模型则借鉴了wgan的损失函数 一张图片相当于一个数据x 阅读全文

摘要： 1，A Neural Algorithm of atistic Style https://axiv.org/pdf/1508.06576.pdf 如何定义图片的内容，风格： 定义内容：在vggnet上，较低的层更注重图片局部的细节，较高的层更注重全局，将vgg关键层的feature 作为图片内容 阅读全文

摘要： 核心要点 StackGAN旨在生成高分辨率的真实图片。 stackGAN-v1架构包含两个阶段：用于文本到图像的合成，阶段1GAN根据给定的文本描述绘制对象的形状和颜色，生成低分辨率图像。阶段2将阶段1的结果和文本作为输入，生成具有真实图片细节的高分辨率图像。 StackGAN-V2：针对有条件和无 阅读全文

摘要： DCGAN github链接：https://github.com/darr/DCGAN DCGAN:1.在一次epoch中，如果第i批的i能够整除every_print,则打印到output文件中（打印出来）2.训练过程：计算损失，梯度下降3.iters：所有epochs累加到一块，迭代总次数 如 阅读全文

摘要： 1.生成对抗网络 让两个网络相互竞争，通过生成网络来生成假的数据，对抗网络通过判别器判别真伪，最后希望生成网络生成的数据能够以假乱真骗过判别器 2.生成模型 就是‘生成’样本和‘真实’的样本尽可能的相似。生成模型的两个主要功能是学习一个概率分布Pmodel（X）和生成数据。 在生成对抗网络中，不再是 阅读全文

摘要： sigmoid函数：越大的负数越接近0，越大的正数越接近1缺点：（1）造成梯度消失：该函数在靠近1和0的两端，梯度几乎变成0，梯度下降法：梯度乘上学习率来更新参数，如果梯度接近0，那么没有任何信息来更新参数，会造成模型不收敛另外，使用sigmoid函数，在初始化权重时，权重太大，经过激活函数会导致大 阅读全文

摘要： 1. LeNet（1998） 2.AlexNet（2012）:层数更深，同时第一次引入了激活层ReLU，在全连接层引入了Dropout层防止过拟合 3.VGGNet（2014）：有16~19层网络，使用了3*3的卷积滤波器和2*2的池化层。只是对网络层进行不断的堆叠，并没有太大的创新，增加深度缺失可 阅读全文

摘要： 1.概述 卷积神经网络的参数，由一些可学习的滤波器集合构成的，每个滤波器在空间上都计较小，但是深度和输入数据的深度保持一致。在前向传播中，让每个滤波器都在输入数据的宽度和高度上滑动（卷积），然后计算整个滤波器和输入数据任意一处的内积。当滤波器沿着输入数据的宽度和高度滑动时，会生成一个二维的激活图，激 阅读全文