《AV香港三级无码》

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

【AV香港三级无码的相关新闻】