生成对抗网络 - GANs

本仓库介绍了生成对抗网络概念涉及的基本概念。

"...过去10年机器学习领域最有趣的想法。" Yann LeCun

定义

生成对抗网络或GANs是由Ian Goodfellow、Yoshua Bengio等人在2014年提出的框架。

GANs由两个模型组成，用人工神经网络表示：

• 第一个模型称为生成器，旨在生成与预期数据相似的新数据。
• 第二个模型称为判别器，旨在识别输入数据是"真实"的——属于原始数据集，还是"伪造"的——由造假者生成。

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/27c3fa16-030b-4a34-a4d3-346ed4734db5.png" width="600"\> </p>

在这篇文章中了解更多：GANs — 生成对抗网络101。

配置环境

• 创建conda环境

(base)$: conda env create -f environment.yml

• 激活环境

(base)$: conda activate gans_101

• 运行！

(gans_101)$: python -m jupyter notebook

模型

使用MNIST和CIFAR-10数据集定义和训练一些模型。

MNIST数据集

• GAN - MNIST 笔记本 - Medium文章
• DCGAN - MNIST 笔记本 - Medium文章
• CGAN - MNIST 笔记本 - Medium文章
• CCGAN - MNIST 笔记本 - Medium文章
• WGAN - MNIST 笔记本 - Medium文章
• LSGAN - MNIST 笔记本 - Medium文章

CIFAR-10数据集

• DCGAN - CIFAR10 笔记本 - Medium文章
• CGAN - CIFAR10 笔记本 - Medium文章

结果

使用Keras-TensorFlow训练模型。

MNIST数据集

生成对抗网络 - GANs

使用全连接层实现的GAN。笔记本

第0轮	第100轮	损失

深度卷积生成对抗网络 - DCGANs

使用转置卷积技术实现的DCGAN。笔记本

第0轮	第100轮	损失

条件生成对抗网络 - CGANs

使用全连接层和嵌入层实现的CGAN。笔记本

第0轮	第100轮	损失

上下文条件生成对抗网络 - CCGANs

使用U-Net和卷积神经网络实现的CCGAN。笔记本

第0轮	第100轮	损失

Wasserstein生成对抗网络 - WGANs

使用卷积神经网络实现的WGANs。笔记本

第0轮	第100轮	损失

最小二乘生成对抗网络 - LSGANs

使用全连接层实现的LSGANs。笔记本

第0轮	第100轮	损失

CIFAR-10数据集

深度卷积生成对抗网络 - DCGANs

使用转置卷积技术实现的DCGANs。笔记本

第0轮	第100轮	损失

条件生成对抗网络 - CGANs

使用转置卷积和卷积神经网络以及拼接层实现的CGANs。笔记本

第0轮	第100轮	损失

---

参考文献

• 完整Medium文章

  • GANs — 生成对抗网络入门

• 相关论文:

  • 生成对抗网络
  • 使用深度卷积的无监督表示学习
  • 条件生成对抗网络
  • 使用上下文条件生成对抗网络的半监督学习
  • Wasserstein GAN
  • 最小二乘生成对抗网络

• 数据集:

  • MNIST手写数字数据库
  • CIFAR-10数据集

• 其他代码库:

  • Keras-GAN
  • 对抗网络论文
  • 如何训练GAN? 使GAN工作的技巧和窍门
  • GAN动物园
  • GAN实验室: 生成对抗网络的交互式可视化实验工具
  • gans-awesome-applications
  • tensorflow-generative-model-collections

---

由mafda用💙制作