《香蕉视频app下载官方地址》

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

【香蕉视频app下载官方地址的相关新闻】