摘要： 模型结构在第三篇我们了解了InfoGan、cGAN和CycleGAN这三类GAN模型，并且我们注意到在不同的GAN中，生成器和判别器内部使用的模型各式各样。这一篇我们来看看GAN内部使用的模型，以及GAN的一些特殊的组织方式。 DCGAN原生的GAN中，生成器和判别器采用的都是MLP（Mutli-L 阅读全文

摘要： 应用案例前面两篇介绍了GAN的基础理论，以及对目标函数的优化的一些尝试，现在我们先来了解一下GAN具体使用情况，从而对GAN有一个更直观的认识。 InfoGANInfoGAN是在GAN的框架下，通过引入信息论的方法，引导模型学习数据的解耦表征（disentangled features）的模型。得到 阅读全文

摘要： 目标函数的优化 在第一篇我们了解到，原生的GAN采用零和博弈（zero-sum game）的策略，这会导致在训练初期生成器的临梯度消失（gradient vanishing），训练停止。如果将零和博弈改为非饱和博弈，这虽然能够解决梯度消失的问题，但会导致训练不稳定（instable）。为了解决这两个 阅读全文

摘要： 概述GAN（Generative Adversarial Network，生成对抗网络）是一个网络框架，它通常包括两部分，生成器（generator）和判别器（discriminator）。生成器的作用是学习真实数据的分布（或者通俗地说就是学习真实数据的特征），然后自动地生成新的数据——所以GAN实 阅读全文

摘要： 小提示1：本篇部分内容基于个人理解，仅供参考，如有错误（非常）欢迎指出。另外，如果有看不明白的不好理解的地方，也欢迎告知作者。 小提示2：转载请注明出处。 模型结构在第三篇我们了解了InfoGan、cGAN和CycleGAN这三类GAN模型，并且我们注意到在不同的GAN中，生成器和判别器内部使用的模 阅读全文

摘要： 小提示1：本篇部分内容基于个人理解，仅供参考，如有错误（非常）欢迎指出。另外，如果有看不明白的不好理解的地方，也欢迎告知作者。 小提示2：转载请注明出处。 案例分析前面两篇介绍了GAN的基础理论，以及对目标函数的优化的一些尝试，现在我们先来了解一下GAN具体使用情况，从而对GAN有一个更直观的认识。 阅读全文

摘要： 小提示1：本篇部分内容基于个人理解，仅供参考，如有错误（非常）欢迎指出。另外，如果有看不明白的不好理解的地方，也欢迎告知作者。 小提示2：转载请注明出处。 目标函数的优化 在第一篇我们了解到，原生的GAN采用零和博弈（zero-sum game）的策略，这会导致在训练初期生成器的临梯度消失（grad 阅读全文

摘要： 小提示1：本篇部分内容基于个人理解，仅供参考，如有错误（非常）欢迎指出。另外，如果有看不明白的不好理解的地方，也欢迎告知作者。 小提示2：转载请注明出处。 概述GAN（Generative Adversarial Network，生成对抗网络）是一个网络框架，它通常包括两部分，生成器（generat 阅读全文