《人与性口杂交免费视频无码》

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

【人与性口杂交免费视频无码的相关新闻】