精华内容
下载资源
问答
  • 2019年上半年收集到的人工智能GAN干货文章.pdf
  • 人工智能GAN算法

    万次阅读 2018-07-02 09:56:44
    b)用原始数据训练一个GANGAN生成的数据label不同类别。 结语: GAN生成式对抗网络是一种深度学习模型,是近年来复杂分布上无监督学习最具有前景的方法之一,值得深入研究。GAN生成式对抗网络的模型至少包括两个模块...

    不管何种模型,其损失函数(Loss Function)选择,将影响到训练结果质量,是机器学习模型设计的重要部分。对于判别模型,损失函数是容易定义的,因为输出的目标相对简单。但对于生成模型,损失函数却是不容易定义的。

    2014年GoodFellow等人发表了一篇论文“Goodfellow, Ian, et al. Generative adversarial nets." Advances inNeural Information Processing Systems. 2014”,引发了GAN生成式对抗网络的研究,值得学习和探讨。今天就跟大家探讨一下GAN算法。

    GAN算法概念:

    对于生成结果的期望,往往是一个难以数学公理化定义的范式。所以不妨把生成模型的回馈部分,交给判别模型处理。于是Goodfellow等人将机器学习中的两类模型(G、D模型)紧密地联合在了一起(该算法最巧妙的地方!)。

    一个优秀的GAN模型应用需要有良好的训练方法,否则可能由于神经网络模型的自由性而导致输出结果不理想。

    GAN算法原理:

    1.先以生成图片为例进行说明:

    1)G是一个生成图片的网络,它接收一个随机的噪声z,通过这个噪声生成图片,记做G(z)。

    3)在最理想的状态下,G可以生成足以“以假乱真”的图片G(z)。对于D来说,它难以判定G生成的图片究竟是不是真实的,因此D(G(z)) = 0.5。

    4)这样目的就达成了:得到了一个生成式的模型G,它可以用来生成图片。

    在训练过程中,生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D。而判别网络D的目标就是尽量把G生成的图片和真实的图片分别开来。这样,G和D构成了一个动态的“博弈过程”。

    2.再以理论抽象进行说明:

    GAN是一种通过对抗过程估计生成模型的新框架。框架中同时训练两个模型:捕获数据分布的生成模型G,和估计样本来自训练数据的概率的判别模型D。G的训练程序是将D错误的概率最大化。可以证明在任意函数G和D的空间中,存在唯一的解决方案,使得G重现训练数据分布,而D=0.5(D判断不出真假,50%概率,跟抛硬币决定一样)。在G和D由多层感知器定义的情况下,整个系统可以用反向传播进行训练。在训练或生成样本期间,不需要任何马尔科夫链或展开的近似推理网络。实验通过对生成的样品的定性和定量评估,证明了GAN框架的潜在优势。

    Goodfellow从理论上证明了该算法的收敛性。在模型收敛时,生成数据和真实数据具有相同分布,从而保证了模型效果。

    GAN公式形式如下:

    GAN公式说明如下:


    1)公式中x表示真实图片,z表示输入G网络的噪声,G(z)表示G网络生成的图片;

    2)D(x)表示D网络判断图片是否真实的概率,因为x就是真实的,所以对于D来说,这个值越接近1越好。

    3)G的目的:D(G(z))是D网络判断G生成的图片的是否真实的概率。G应该希望自己生成的图片“越接近真实越好”。也就是说,G希望D(G(z))尽可能得大,这时V(D, G)会变小。因此公式的最前面记号是min_G。

    4)D的目的:D的能力越强,D(x)应该越大,D(G(x))应该越小。这时V(D,G)会变大。因此式子对于D来说是求最大max_D。

    GAN训练过程:

    GAN通过随机梯度下降法来训练D和G。

    1)首先训练D,D希望V(G, D)越大越好,所以是加上梯度(ascending)

    2)然后训练G时,G希望V(G, D)越小越好,所以是减去梯度(descending);

    3) 整个训练过程交替进行。

    GAN训练具体过程如下:

    GAN算法优点:

    1)使用了latent code,用以表达latent dimension、控制数据隐含关系等;

    2)数据会逐渐统一;

    3)不需要马尔可夫链;

    4)被认为可以生成最好的样本(不过没法鉴定“好”与“不好”);

    5)只有反向传播被用来获得梯度,学习期间不需要推理;

    6)各种各样的功能可以被纳入到模型中;

    7)可以表示非常尖锐,甚至退化的分布。

    GAN算法缺点:

    1)Pg(x)没有显式表示;

    2)D在训练过程中必须与G同步良好;

    3)G不能被训练太多;

    4)波兹曼机必须在学习步骤之间保持最新。

    GAN算法扩展:

    GAN框架允许有许多扩展:

    1)通过将C作为输入,输入G和D,可以得到条件生成模型P(x|c);

    2)学习近似推理,可以通过训练辅助网络来预测Z。

    3)通过训练一组共享参数的条件模型,可以近似地模拟所有条件。本质上,可以使用对抗性网络实现确定性MP-DBM的随机扩展。

    4)半监督学习:当仅有有限标记数据时,来自判别器或推理网络的特征可以提高分类器的性能。

    5)效率改进:通过划分更好的方法可以大大加快训练,更好的方法包括:a)协调G和D; b) 在训练期间,确定训练样本Z的更好分布。

    GAN算法应用:

    GAN的应用范围较广,扩展性也强,可应用于图像生成、数据增强和图像处理等领域。

    1)图像生成:

    目前GAN最常使用的地方就是图像生成,如超分辨率任务,语义分割等。

    2)数据增强:

    用GAN生成的图像来做数据增强。主要解决的问题是a)对于小数据集,数据量不足,可以生成一些数据;b)用原始数据训练一个GAN,GAN生成的数据label不同类别。

    结语:

    GAN生成式对抗网络是一种深度学习模型,是近年来复杂分布上无监督学习最具有前景的方法之一,值得深入研究。GAN生成式对抗网络的模型至少包括两个模块:G模型-生成模型和D模型-判别模型。两者互相博弈学习产生相当好的输出结果。GAN算法应用范围较广,扩展性也强,可应用于图像生成、数据增强和图像处理等领域。


    展开全文
  • AI StyleGAN

    2019-05-20 10:30:00
    StyleGAN 参考链接 https://arxiv.org/pdf/1812.04948.pdf https://github.com/NVlabs/stylegan 转载于:https://www.cnblogs.com/yangwenhuan/p/10892691.html

    StyleGAN

     

    参考链接

    https://arxiv.org/pdf/1812.04948.pdf

    https://github.com/NVlabs/stylegan

    转载于:https://www.cnblogs.com/yangwenhuan/p/10892691.html

    展开全文
  • AI StarGAN

    2019-05-27 12:44:00
    译文:StarGAN:用于多域图像到图像翻译的统一生成对抗网络 摘要 最近有关图像到图像的两域翻译研究取得了很大的成功。但是,现有的方法在处理多域时,可扩展性和鲁棒性不行, 因为对于每对图像域,都要单独构建...

    论文:https://arxiv.org/abs/1711.09020 

    译文:StarGAN:用于多域图像到图像翻译的统一生成对抗网络

    摘要

    最近有关图像到图像的两域翻译研究取得了很大的成功。但是,现有的方法在处理多域时,可扩展性和鲁棒性不行, 因为对于每对图像域,都要单独构建不同的模型。为了解决这个限制,我们提出StarGAN,一个新的可扩展方法,只用一个模型,就可以实现多域的图像到图像的翻译。StarGAN的这个统一模型架构可以在一个网络里,同时训练不同域的多个数据集。因此,StarGAN翻译图像的质量要比现有模型的优越,而且可以更加灵活地把输入图像翻译到任何想要的域。我们会在面部属性转移和面部表情合成任务中证明我们方法的有效性。

    介绍 

     

     

    个人理解

     

    转载于:https://www.cnblogs.com/yangwenhuan/p/10918332.html

    展开全文
  • AI Conditional GAN

    2019-04-21 22:53:00
    Conditional GAN 参考链接: https://arxiv.org/pdf/1611.07004v1.pdf 转载于:https://www.cnblogs.com/yangwenhuan/p/10747593.html
  • 基于生成对抗网络GAN人工智能临近预报方法研究.pdf
  • 摘要:谈起人工智能GAN便是目前最为潮流的技术之一,GAN能够赋予机器和人类一样的想象能力,从数据获取到自动联想出相似数据,所以;学习人工智能和学习GAN是密不可分的... 人工智能学习离不开实践的验证,推荐...
  • AI CycleGAN

    2019-05-27 20:55:00
    论文:https://arxiv.org/pdf/1703.10593.pdf 转载于:https://www.cnblogs.com/yangwenhuan/p/10933174.html
  • 人工智能-深度学习-生成模型:GAN+Autoencoder
  • [AI 笔记] GAN

    2020-06-11 17:45:23
    [AI 笔记] GANGANMinimax objective functionTrain 参考资料: CS231n GAN论文 GAN GAN 分为两个部分,一个生成器网络,一个判别器网络。如下图所示。 生成器通过学习 random noise z 到 真实图片的分布,生成与真实...
  • 证券研究报告 金工研究/深度研究 2020 年05 月08 日 生成对抗网络GAN 初探 华泰人工智能系列之三十一 GAN 的核心思想是通过学习真实训练数据生成以假乱真的数据 本文关注生成对抗网络GAN 及其在量化投资领域的应用...
  • GAN 的发展对于研究通用人工智能有什么意义?.pdf
  • 点上方蓝字人工智能算法与Python大数据获取更多干货在右上方···设为星标★,第一时间获取资源仅做学术分享,如有侵权,联系删除转载于 :新智元你是否想象过未来的自己长什么样子?来自...
  • 彼得·莫斯( Peter Moss)的COVID-19 AI研究计划AI分类存储库是我们团队创建的用于COVID-19检测/早期检测的开源人工智能的集合。 该存储库中的项目着重于使用AI通过计算机视觉(包括卷积神经网络(CNN)和生成对抗...
  • 人工智能-机器学习-深度学习-生成模型:GAN to improve Seq2Seq
  • 人工智能-深度学习-生成模型:GAN经典模型–>LSGAN
  • 人工智能AI到底是什么??浅谈人工智能AI

    万次阅读 多人点赞 2020-06-24 18:09:25
    我们正处于AI时代:衣食住行中的AI什么是人工智能AI对传统行业的冲击AI对广告行业和媒体行业的冲击AI对教育行业的影响AI对艺术创作行业的影响AI对物流行业和工业行业的影响 我们每天所谈论的人工智能,究竟是什么...
  • 作者:Lyken链接:...GAN对于人工智能的意义,可以从它名字的三部分说起:Generative Adversarial Networks。为了方便讲述,也缅怀过去两周在某论坛上水掉的时间,我先从Networks...
  • GAN

    2019-03-10 17:27:32
    GAN的初衷就是生成不存在于真实世界的数据,类似于使得 AI具有创造力或者想象力。应用场景如下: AI作家,AI画家等需要创造力的AI体; 将模糊图变清晰(去雨,去雾,去抖动,去马赛克等),这需要AI具有所谓的“想象...
  • AI-GAN阅读笔记

    2020-06-04 17:10:31
  • 证券研究报告 金工研究/深度研究 2020 年05 月08 日 林晓明 执业证书编号S0570516010001 生成对抗网络GAN 初探 研究员 0755-82080134 linxiaoming@ 华泰人工智能系列之三十一 陈烨 执业证书编号S0570518080004 研究...
  • 20200508-华泰证券-人工智能系列之三十一:生成对抗网络GAN初探.pdf
  • 深度学习作为人工智能的重要手段,迎来了爆发,在NLP、CV、物联网、无人机等多个领域都发挥了非常重要的作用。最近几年,各种深度学习算法层出不穷,Generative Adverarial Network(GAN)自2014年提出以来,引起广泛...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 20,609
精华内容 8,243
关键字:

人工智能gan