《草莓视频在线观看免费ios》

深(🤖)度学习最强资源推荐：一文看尽 GAN 的前世今生

雷锋网 AI 科技评论按，生成对(🚌)抗网络是(🔹)当前最热门的技术之一，它掀起了一场(🦔)技术革命，取得了很多重大的突破(🐨)。不久前，伊利(📦)诺伊大学香槟分校的学生 Ajay Uppili Arasanipalai 在 Deep Learning 专栏发布了一篇(🔬)文章，文(🔺)章详细介绍了 GAN 自被(🏃)提出以来的发展历史(❔)，以及各种相关的论文、代码(🉐)和博客。雷锋网(🖇) AI 科技评论将他的文章编译整理如下。

当 Ian Goodfellow 在 2014 年喝了一杯啤酒之后，在(😸)梦中产生了「生成对抗网络」（GANs）的想法时，他可能没想到这一领域进展如此之快：

你可能不知道我要表达什么意思——其实你刚才看到的图片(📱)完全、不可否认、100%…是(🈯)假的。

此外，我并不是说，这些图片都是 photoshop、CGI 或用 Nvidia 目前的高级(😘)新技术填补空白产生(🎩)的(🐣)。

我的意(🚜)思是，这些图像完全(✍)是通过加法、乘法在花费了大量 GPU 计算之后生(🤩)成的。

实现这些玩意儿(💈)的算法被称为生成性对抗网络(💹)，在过去几年中，Facebook 致力于生成对抗网络的研究和创新(🤒)比在隐私保护问题上更多(🤓)。

2019 年 1 月 15 日，Ian Goodfellow 在 twitter 中表示，过去 4 年半(🎎)，GAN 在人脸生成方面的进展可以查看下面的资料：

https://t.co/kiQkuYULMC

https://t.co/S4aBsU536b

https://t.co/8di6K6BxVC

https://t.co/UEFhewds2M

https://t.co/s6hKQz9gLz

https://t.co/F9Dkcfrq8l

总结 2014 年 vanilla GAN 的每一个进步，就和观看第 8 季《权力的游戏》一样困难。因此，我将回顾(👛)几年来 GAN 研究中最酷结果背后的关键(🥣)思想。

我不打算详细解释转置卷积和 Wasserstein 距离等概念。相反，我将提供一些最好的资源(🔆)的链接，你可以使用这些资源快速了解这些概念，这样你就会(🚴)了解它们是如何融入大局的。

如果你还在阅读，我假设你知道深度学习的基础知识，你知道卷积神经网络(🕙)是如何工作的。带着这些前提，下面先看看 GAN 的发展路线图：

GAN 的发展路线图

我们将按照下面的顺序，一步一步学习它：

GAN：生成对抗网络

DCGAN：深度卷积生成对抗网络

CGAN：条件生成对抗网络

CycleGAN

CoGAN：耦合生成对抗网络

ProGAN：生成对抗网(🕋)络的渐进式增长(🤱)

WGAN：Wasserstein 生成对抗网络

SAGAN：自注意力生成对抗网络

BigGAN：大生成对抗性网络

StyleGAN：(🕗)基于风格的生成对抗网络

接下来让我们开(🛵)始吧！

1.GAN：生成对抗网络

图片来自于这篇论文(💨)：https://arxiv.org/pdf/1406.2661.pdf

相关资源：

论文

代码

其他重要(🐒)资源：Ian Goodfellow 的 NIPS 2016 教程

现在，我知道你在想什么了——天啊，那张令人毛骨悚然的、模糊的图像看(🌵)起来像是一个数学迷从 Excel 表格中制作图片(🖌)后放大的结果。

好吧，其实你猜的多多少(🌚)少是对的（除去 excel 部分）。

早在 2014 年，Ian Goodfellow 就提出了一个革命性的想法——让两个神经网络相互竞争（或合作，这是一个观点问题）。

一个神经网络试图生成接近真实的数据（注意，GANs 可以用来模拟任何数据分(🎶)布(👑)，但目前主要用于图像），另一个网络试(🚣)图区分真实的数据和由生成网络生成的数据。

生成器网络使用判别器作为损耗函数，并更新其参数以生成看起来更真实的数据(💣)。

另一方面，判别器网络更新(👁)其参数，以便更好地从真实数据中识别出(😂)假数据。所(⏹)以它的性能也(🤦)变得(🏖)更好了。

这个猫鼠游戏继续进行，直到系(💔)统达到所谓的「平衡」。达到平衡以后，生成器创建的(📿)数据看起来足够真实(🏻)，因此判别器能做(🖕)的只是是随机猜测。

希望到目前为止，如果你正(🚪)确地缩进了代码，并(🙎)且 Amazon 决定不停止你的 SPOT 实例（顺便说一句，这不会发生在 FloydHub 上，因为它们提供了专用的 GPU 机器），那么你现在就有了(♒)一个生成器，可以精确地创建和你的训练数据集相(🗣)同的新数据。

现在，这是公认的 GANs 的一个非常简单的观点。你需要从这里学到的思想是，通过使用两个(🐷)神经网络——一个神经网络生成数据，另一个神经网络从假数据中分类出真实数据。从理论上来说，你可以同时训练它们，收敛到一个点，在这个点上，生成器可以生(👉)成全新的、真实的数据。

2.DCGAN：深卷积生成对抗网络

图片来源：https://arxiv.org/pdf/1511.06434.pdf

相关资源：

论文

代码

其他资源: 媒体文(⛴)章

看到(🈸)了吧，我会给你节省时间。

卷积=对于图像处理来(🕯)说很(⛵)有用

GANs=适合生成一些东(🍔)西

卷积+GANs=适合(⏺)生成图像

事后看来，正如(🔌) Ian Goodfellow 在与 Lex Fridman 在一次广播节目中所指出的那样，他们将这种模型称为 DCGAN（即「深层卷积生成对抗网络」）似乎很愚蠢，因为现在几乎所有与深度学习和图像(⏯)相关的东西都是深度的、卷积的。

另外，当大多数人了解到 GANs 时，他们或多或少都会知道它们是「深度(🎆)而卷积」的。

然而，曾经有一段时间，GANs 并不一定使用基于卷积的操作，而是依赖于标准的多(🧝)层感知器架构。

DCGAN 改变了这(✉)一点，使用了一种被称为转置卷积运算的方法，它还有一个「不幸的」名称，即反卷积层。

转(🤵)置卷积可以进行向上缩放操作。它们帮助我们将低分辨率图像转(🔀)换为高分辨率图像。

但是，严肃地说，你需要通过上面介绍的论文、低吗和媒体资源来更好(❕)地理解转置卷积，因为它们是所有现代 GAN 架(🐢)构的基础。

不过，如果你的时间有点短，那么你可以通过观看一个简单的动画，来大(㊗)概了解转置卷积是如何工作的：

在 vanilla 卷积中，你应用一系列(🕘)卷(💺)积（(🌹)连同其他操作）来将图像映射到(🆗)更低维的向量。

同样，按顺序应用多个转置卷积(🕷)可以使我们将一个低分辨率的单阵列(🥖)演化为一个色彩明艳的全彩图像(🎟)。现在，在继续之(🌒)前，我们先(🛳)来探索一下(💈)使用 GAN 的一些独特方法。

你现在处在第二个红色的(🛍)「X」的位(✨)置

3.CGAN：条件生成对抗网络

图片来源于论文：https://arxiv.org/pdf/1411.1784.pdf

相关资源：

论文

代码

其他重要资源：博客

原始的 GAN 从随机噪声中生成数据。这意(⛸)味着你可以训练它，以小狗图像为例，它会产生更多的小狗图像。

你还可以在小猫图像上训练它，在这种情况下，它将生成小猫的图像。

你也可以在(🌗)演员 Nicholas Cage 的照片图像上训练它，在这种情况下，它将生成 Nicholas Cage 图像。

你也可以在很多别的图像上训练它。明白了吗？在什么图像上训练 GAN，它就(👰)能生成更多的类似图像。

然而，如果你同时尝试在狗和猫的图像(❕)上训练它，它(💇)会生成模糊的半品种，就和下图一样。

图片由 Anusha Barwa 拍摄于 Unsplash

CGAN（代表「条件生成对抗网络」）旨在通过(🤨)告诉生成器只生成(🐹)一个特定类的图像来(✈)解决(🌅)这个问题，例如猫、狗或 Nicholas Cage。

具体来说，CGAN 将一个 one-hot 向(🐇)量 y 连接到随机噪声矢量 z，得到如下结构：

现在，我们就可以利用(📙)同一个 GAN 生成猫和狗。

4.CycleGAN

相关资源(🖼)：

论文：

代码

其他重要资(📛)源：Cyclegan 项目

媒体(⏳)文章

GANs 不仅仅(🏂)用(🔰)于生成(🏍)图像。他们还可以(🥏)创造外(🦗)表上同时(👧)具有马和斑马(🐕)特点的生物，如上图所示。

为了创建这(🚩)些图像，CycleGAN 致力于解决一个被称为图像到图像翻译的问题。

CycleGAN 不是一种新的(👨) GAN 架构，虽然它推动了最先进的图像合(👙)成技术。相(🏚)反，它是一种(🥒)使用 GANs 的聪明方法。所以你可以自由地在任(🍤)何你喜欢的架构中使(🥑)用这种技术。

这里有一篇文章，我建议你读一下。它写得非常好，甚至对初学者来说也很容易理解。文章地址：https://arxiv.org/abs/1703.10593v6。

这里的任务是训(💊)练网(🕖)络 G（X），将图像从源(🚃)域 X 映射到目标域 Y

但是，等等，你可能会问，「这和(🐶)常规的深度学习或风格转换有什么不同」。

好吧，下面的图片很好地总结了这一点。CycleGAN 进行未配对的图像到图像的转换。这意味着我们正在训练的图像不必代表相同的东西。

如果我们有大量的图像（DaVinci-ify 的图像绘画）对收藏的话，DaVinci-ify 将（相对地）很容易识别图像。

不幸的是，这家伙没来得及完成太多的画。

然而，CycleGAN 使用未配对的数据进行训练。所以我们不需要相同事物的两(🎗)个图像。

另一方面，我们可以使用样式转换。但这只会提取一个特定图像的样式(🤚)，并将其转换为另一个图像，这意味着我们无法从马转换为斑马。

然而(⛽)，CycleGAN 学习从一个图像域到另一个图(🔢)像域的映射。所以我们可以在所(😴)有 Monet 绘画的集合上对它进行训练。

他们使用的方法相当优雅。CycleGAN 由两个生成器 G 和 F 以及(🕜)两个判别器 Dx 和 Dy 组成(🐫)。

G 从 X 中获取图像(🍧)，并试图将其映射到 Y 中的(😂)某(🐰)个图像。判别器 Dy 判断图像是由 G 生成的，还是实际上是在 Y 中生成的(💈)。

同样地，F 从 Y 中获取一个图像，并试图将其映射到 X 中的某个图(⤵)像，判别器 Dx 预测图像是由 F 生成的还是实际存在于 X 中(🖕)的。

所有四个网络都是以普通的 GAN 的方式训练(〽)的，直到得到强大(♏)的生(😴)成器 G 和 F，它们可以(⛏)很好地执行图像到图像的翻译任务，骗过判别器。

这种对抗性的损失听起来是个好主意，但还不够。为了进一步(🌞)提高性能(📐)，CycleGAN 使用另一个度(🦃)量，即循环一致性损失。

一般来说，想想好的翻译人员的特点。其中之一是，当你来回翻译时，你应该得到同样的东西。

CycleGAN 巧妙地实现了这个想法，它强制网络遵守这些限制条件：

F（G（x）(👡)）≈x，x∈X

G（F（y））≈y，y∈Y

从视觉上(♉)看，循环一致性如下：

总损耗函数的构造方式是，惩罚不符合上述特性的网络。我不打算在这里写出损失(🛬)函数，因为这会(👿)破坏它在论文里面的组合方式。

好吧，在越聊越偏之前，让我们回到寻找更好的 GAN 架构的主要任务。

5.CoGAN：耦合生成对抗网络

图片来源于论文：https://arxiv.org/pdf/1606.07536.pdf

相关资源：

论文(📷)：

代码：

其他重要(📐)资源：博客论文

你知道什么(🍮)比一个 GAN 更好吗？两个 GAN！

CoGAN 就是(🐨)这样做的（CoGAN 代表「耦合生成对(🥐)抗网络」，不要与 CGAN 混淆，CGAN 代表条件生成对抗网络）。它训练的是「两个」GAN 而不是一个。

当然，GAN 的研究人员也无法停止将 GAN 类比(♟)成警察和伪造者的言论。因此(🎢)，GAN 背(🎐)后的思想，用作者自己的话说就是：

在比赛中，有两个队，每个队有两名队员。生成模型组成一个团队，共同在两个不同的域中合成(🎤)一对图像，以混淆区分模型。判别模型试(🏡)图将从各自领域的训练数据分布中提取的图像与从各自生成模型中(🌠)提取的图像(👧)区分(🔥)开(😸)来。同一队的队员之间的协作是从权(🥏)重分担机制中建立起来的。

好吧，有一个由多个 GAN 组成的局域网络听起来不错，但你如何使它工作？

结果证明这并不太复杂，你只需要让网络对某些层使用完全相同的权重。

在(🧐)我(🌔)看来，CoGAN 最酷(🎙)的地方不在于它能提高图像生成质量，也不在于(🤞)它可以在多个图像域上训练。

事(🐯)实上，你只需要花费 1.5 张图片的代价来得(🧞)到 2 张图片。

因为共享了一些权重，所(🏢)以与两个单独的 GAN 相比，CoGAN 的参数更少（因此可以节省更多的内存、计算和存储空间）。

这是一种「过时」的微妙技巧，而且我们今天(🔭)看到的一些 GAN 的新方法是不使用它们的。

但总有一天，我想我们会再次用到(💎)它们的(💉)。

6.ProGAN：渐进式增长的生成对抗网络

图片来源于论文：https://arxiv.org/pdf/1710.10196.pdf

相关资源推荐(🥍)：

论文：

代码

其他优秀资源：媒体文章

演示(🆎)视频

在训练 GANs 的时候会有很多问题，其中最重要的是训练的不稳定性。

有时，GAN 的损耗会波动，因为生成器和判别器会相互破坏另一方的学习。其他时候，在网络聚合后损耗可能会爆(💸)炸，图像开始变得看起来可怕。

ProGAN（代表了生成对抗网络的逐步增长）是一种通过增加生成图像的分辨率来帮助稳定 GAN 训练的技术。

这里我们会有一种直觉，那就是(⛄)生成 4x4 图像比生成 1024x1024 图(🥜)像更容易。此外，将 16x16 图像映射到 32x32 图像比将 2x2 图(✳)像映射到 32x32 图像更容易(🏴)。

因此，ProGAN 首先训练一个 4x4 生成器和一个 4x4 判别器，然后在训练过程中添加对应于更高分辨率的层。这个动画总结了我所描述的：

7.WGAN: Wasserstein 生成对抗网络(😆)

图片来(🎳)源于论文：https://arxiv.org/pdf/1701.07875.pdf

相关资源推荐：(🔷)

论文

代码

其他优秀资源(📦)：DFL 课程

博客文章

其它博客

媒体文章

这一部分也许是这篇文章中最偏理论和数学的一部分。作者把大(💦)量的证明、推论和一(📶)些数学术语塞进其中。所(🚛)以如(🕴)果积分概率度量和 Lipschitz 连续性(🚮)不是你关(🎿)心的事(🚘)情，我(⛩)不会在这件事上花太多时间。

简而(💢)言之，WGAN（W 代表 Wasserstein）(🚚)提出了(🛏)一种(🛢)新的成本函数，这种函数有一些非常好的(🍒)性(🍅)质，使得它在数学家和统计学家(😿)中非常流行。

这是旧版的 GANGAN minimax 优化公式：

这里是 WGAN 使用(🐿)的新方法：

在大多数情况下，这就是在实践中使用 WGAN 所需要知道的全部内容。

只需剔除旧的成本函数，它(🙏)近似一个称为 Jensen-Shannon 散度的统(🚠)计量(📮)。然后加入新的成本函数，它近似一个称为 1-Wasserstein 距(💎)离的统计量。

原因如下：

图片来源于论(🎦)文：https://arxiv.org/pdf/1701.07875.pdf

然而，如果你感兴趣，下面是(⭕)对它的数学原理的快速回顾，而且(🏫)这也正是 WGAN 论文如此受欢迎的原因。

原始的 GAN 论文表明，当判别器为最优时，生成器被更新，以使 Jensen-Shannon 散度最小化。

如果你不熟悉 Jensen-Shannon，我来解释(⛔)一下。Jensen-Shannon 散度是一种测量两种不同的概率是如何分布的方法。JSD 越大，两个分布越「不同」，反之亦然。计算方法如下：

然而，最小化 JSD 是最好的方法吗？

WGAN 论文的作者(🍀)认为这可能不是，这是出于(🌴)一个特殊的原因——当两个分布完全不重叠时，你可以(🏜)发现，JSD 的(🎖)值保持为 2log2 的常量值。

当(🐭)一个函数值为一个常量值时，它的梯度等于零，而零梯度是不好的，因为这意味着生成器什么也学不到。

WGAN 作者(💇)提出(🚶)的替代距(🛀)离度量的是 1-Wasserstein 距离，有时称为地球移动(⛅)距离。

图片来源于论文：https://arxiv.org/pdf/1701.07875.pdf

地球移动距离这(🈺)个名称是类比得来的。你可以想象，假设两个分布中的一(🌯)个是一(🛺)堆土，另一个是一个坑。地球移动距离是指将土堆运至坑内的成本，其前提是要尽可能(🧔)高效地运输泥土、沙子、灰尘等(👗)。在这里，「成本」被认为是点之间的距离×移动的土方量。

具体来说（没有(📘)双关语），两个分布之间的地(🦌)球移动距离可写为：

其中 inf 是中位数（最小值），x 和 y 是两个分布上的点(🎇)，γ是最佳的(🥎)运输方法。

不幸的是，它的计算非常复杂，难以解决。因此，我(🖖)们计算的是完全不同的东西：(🍑)

这两个方程(⛺)之(🌬)间的联系一开始似乎(🍥)并不明显，但通过一个叫做 Kantorovich-Rubenstein 对偶的奇特数学公式，你可以证明这些 Wasserstein/地球移动器距离的公式正试图计算相同(📂)的事(🔙)情。

如(👽)果你不能在我给出的论文和(🏔)博客文章中学到(😜)一些重要的数学知识，不要担心太多。关于 WGAN 的大部分工作，其实都只是为公认的简单想法提供一个复杂的（严格的）理由。

8.SAGAN：自注意力(🧀)生成对抗网络

图片来源于论文：https://arxiv.org/pdf/1805.08318v1.pdf

相(🎹)关资源推荐：

论文

代码

其他重要资(🎰)源：博客文章

媒体文章

由于 GANs 使用转置卷积来「扫描」特征图，因此它们只能访问附近的信(👗)息。

单独使用转(🃏)置卷积就像在绘制图片的时候，只查(🥁)看画笔小半径范围内的(🕢)画布区域。

即使是可以完美地完成最特(🥜)殊、最复杂的细节的最伟(🚚)大的(🤐)艺术家们，也需要后退一步，观察(📸)全局。

SAGAN 使用自注意力机制，由于其转换架构，近年来它已非常流行。

自注意力让(🥞)生成器后退一步，看看「大局」。

9.BigGAN

相关(🦄)资源推荐：

论文(🛌)：

代码：

其他重要资源：两分钟的论文视频

梯度 pub 论文

媒体文章

四年之后，DeepMind 决定使用 GANs 做以前没人做过的事。他们使用了一种神秘的深度学习技术，这种技术非常强大，使得当前最先进的模型在恐惧中颤抖(🔜)，因为它远远超越了当时最先进的(😗)排行榜上的所有技术。

我向你介绍了 BigGAN，它(😯)是一个完全不做(🧒)任何事情的 GAN（但是它运行着一组 TPU 集群，不知为何我觉得它应该在这个列表中）。

看起来像开玩笑的是，DeepMind 团队的确利用(🐧) BigGAN 完成了很多工作(🤺)。除了用真实的图像吸引了所有的目光之外，BigGAN 还向我们展示了一些非常详细的大规模训练的结果。

BigGAN 背后的团队引入了各种技术，以克服跨多台机器大批量训练 GAN 的不稳定性。

首先，DeepMind 使用 SAGAN 作为基线，并附加了一个称为谱归一化的特征。他(🏃)们将 batch 的大小缩放了 50%，宽(🍽)度（通道数）缩放了 20%。最初，增加层的数量似乎没(🕗)有帮助。

在尝试了很多其他方法之后，作者使用「截断技巧」来提高采样图像的质量。

在训练过程中，如果潜在向量在生成图像时落在给定范围之外，则对其重新采样。给定范围是一个超参(🌲)数，用ψ表示。较小(🈳)的ψ缩小了范围，牺牲多样性以增加样品保真度。

那么，所有这些复杂的调优工作都会产生什么结果呢？好吧，有人称之为 dogball：

BigGAN 还表(⌚)明(⚡)，大规模的训练会有自己的一系列(🥀)问题。值(🔽)得注意的是，通过增加 batch 大小和宽度等参(😞)数，训练似乎可以很好地扩展，但出于某种原因，训练最终会(♓)崩溃。

如果你觉得分析奇异(🌌)常值来理解这种不稳定性听起来很有趣，请看这(🍰)篇论文，在论文中，你会发现很多不稳定性。

最后，作者还训练了一个(❕) BigGAN 的新数(👄)据集，叫做 JFT-300，它是一个类似于 ImageNet 的数据集，大概有 3 亿张图片。BigGAN 在这个数据集上的表(🌺)现更好，这表明更大规模的数据集可能是 GANs 的发展方向。

在论文的第一版发表后，过了几个月，作者重新尝试了 BigGAN。还记得我说过增加层数不起作用吗？后面发现这是由于糟糕的架构。

该团队(🏵)没有将更多的层塞进模型中，而是进行了实验，发现使用深度残差网(🦈)络 bottleneck 是解决(😳)问题的方法。

通过(🥨)上述所有的调整、缩放和仔细的实验，BigGAN 以最高 152.8 分的表现完全超越了先前的最先进的起步分数 52.52。

如果(🌶)这都不是进步，那(💼)么我不知道什么(📨)才是进步。

10.StyleGAN：基于风(🏗)格的生成对抗性网络

图片来源于论文：https://arxiv.org/abs/1812.04948

相关资源推荐：

论文：

代码：

其他优质资源：thispersondoesnotexist

博(👰)文

另外一篇博文

技术总结文

StyleGAN（style generative adversarial network）(⛏)是 NVIDIA 研究院的成果，它与传统的 GAN 的研究背道而驰，后者侧重于损失函数、稳定性、体系结(🦌)构等。

如果你想生成汽车的图像(📖)，那么拥有一个世界级的、可(🍩)以愚弄地球上大多数人的人脸图像生成器是毫无意义的。

因此，StyleGAN 没有专注于创建更真实的图像，而是改进(📣)了 GANs 对生成的图像进行精细控制的能(🐁)力。

正(👪)如我提到的，StyleGAN 不专注于架构和损失函数。相反，它是一套技术，可以(📮)与(🧦)任何 GAN 一起使用，允许你执(🥁)行各种酷的事情，如混合图像、(🛍)在多个级别上改变细(🈷)节以及执行更高级的样式转换。

换言之，StyleGAN 就像一个 photoshop 插件，而大多数 GAN 的进展都像是 photoshop 的新版本。

为了实现这一(🏳)级别的图像样式控制，StyleGAN 使用了现有的技术，如自适应实例规范化、潜在的矢量映射网络和持续的学习输入。

很难在不了解细节的情况(🎊)下进一步描述 StyleGAN，因此如果你感兴趣，请查看我的文(⭐)章(💽)，我在其中演示了如何使用 StyleGAN 生成权力游戏里面的人物。我对其中所有的技术都有详细的解(🚦)释，这里面有很多很酷的结果。

结论

哇，你做到了，祝贺你！你现在知道了这个领域里面的所有最新突破，包括制作虚假的个人资料图片。但(🥅)是，在你躺在沙发上开始无休止的浏览推特之前，花点时间看看你已经走了多远：

接下来(💮)是什么？！未(🐤)勘探区域！

在攀登了 ProGAN 和 StyleGAN 的山脉，穿越计算的海洋到达了 BigGAN 的广阔领域之后，你很容易在这些地方迷路。

但是，请放大地图仔细看看(🚠)。你看到那片绿色的土地了吗？看到北部的红色(🏿)三角洲了吗(🔠)？

这些是未经探索(🕳)的区域，还有待取得突破。如果你坚持信仰一直努力，他们都可以是你的。

再见，我的朋友，还有(🥣)更大的海洋需要去航行。

结语：一些有趣的现代研究

到目前为止，如果你已经阅读了我共享的所(🍀)有(🎅)资源，那(🌗)么你应该对 GAN 技术的一些最重要的突破有了扎实的(🐩)理(👾)解。

但毫无疑问，还会有更多的技术。跟上研究是困难的，但这并非不可能。我建议你尽量(📱)坚持阅读最新的论文，因为它们可能会帮助你的项目产生最好的结果。

为了(🦂)帮助你开始，以下是一些前沿研究项目（截至 2019 年 5 月）：

你现在可能已经听说了「DeOldify」。如果没有，跳到这里！但它最(📎)近有一个更新，它引入了一种新的训练技术 NoGAN。你可以在他们的博客和代码中查看详细信息。

如果你没有 Google 级的数据量，那么从头再现 BigGAN 的结果是很有挑战性的。这里有一篇 ICML2019 论文，它提议用更少的标签来训练 BigGAN 模(🦑)型。

当然，GANs 并不是(🔸)唯一一种基于深度学习的图像生成技术。最近，OpenAI 推出了一个全新的模型，叫做稀疏 transformer，它利用 transformer 架构来生成(🛎)图像。和往(🐡)常一样，他们发布了论文、博客和代码。

虽然，这不是什么新的研(😣)究，但你应(🏕)该听听 GANs 的起源故事：

Nvidia 有一个非常酷的项目，叫做(🔈) GauGAN，它可以把随手乱(💶)描的涂鸦变成现实主义的杰作。这确实是你需要经历才能理解的事情。所以先看看演示视频，然后读他们的博客和论文。

你有没有想过如何「调试」一个 GAN？现在有一篇 ICLR 2019 论文提出了一个有希望的解决方案。

尽管我让 GAN 看起来很酷，但接下来(🍭)还有很多工作要做。有一篇优秀的(😤)总结文总结(🍰)了一些尚未解决的问题。

看起(🗨)来，有人找到了另一种在真实世界中用 GAN 的方法。

关于这一点，可以查看 6 月 13 日，Yann LeCun 推荐的文(✨)章：https://t.co/IFYJwb30cw。

via：https://blog.floydhub.com/gans-story-so-far/

雷锋网雷锋网

【草莓视频在线观看免费ios的相关新闻】