《久久久久久免费无码无码s》

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(🤑)

【久久久久久免费无码无码s的相关新闻】