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
1.请问哪个网站可以免费在线观看动漫《日本熟妇XX浓密黑毛HD》?
优酷视频网友:http://www.ahxhhy.com/video/72541240107.html
2.《日本熟妇XX浓密黑毛HD》是什么时候上映/什么时候开播的?
腾讯视频网友:上映时间为2022年,详细日期可以去百度百科查一查。
3.《日本熟妇XX浓密黑毛HD》是哪些演员主演的?
爱奇艺网友:日本熟妇XX浓密黑毛HD演员表有,导演是。
4.动漫《日本熟妇XX浓密黑毛HD》一共多少集?
电影吧网友:目前已更新到全集已完结
5.手机免费在线点播《日本熟妇XX浓密黑毛HD》有哪些网站?
手机电影网网友:美剧网、腾讯视频、电影网
6.《日本熟妇XX浓密黑毛HD》评价怎么样?
百度最佳答案:《日本熟妇XX浓密黑毛HD》口碑不错,演员阵容强大演技炸裂,并且演员的演技一直在线,全程无尿点。你也可以登录百度问答获得更多评价。
Copyright © 2008-2024