⑴ 关于GAN生成式对抗网络中判别器的输出的问题
...
摘要
生成式对抗网络GAN（Generative adversarial networks）目前已经成为人工智能学界一个热门的研究方向.GAN的基本思想源自博弈论的二人零和博弈，由一个生成器和一个判别器构成，通过对抗学习的方式来训练.目的是估测数据样本的潜在分布并生成新的数据样本.在图像和视觉计算、语音和语言处理、信息安全、棋类比赛等领域，GAN正在被广泛研究，具有巨大的应用前景.本文概括了GAN的研究进展，并进行展望.在总结了GAN的背景、理论与实现模型、应用领域、优缺点及发展趋势之后，本文还讨论了GAN与平行智能的关系，认为GAN可以深化平行系统的虚实互动、交互一体的理念，特别是计算实验的思想，为ACP（Artificial societies，computational experiments，and parallel execution）理论提供了十分具体和丰富的算法支持.
更多
出版源
《自动化学报》 , 2017 , 43 (3) :321-332
⑵ 用GAN 输入图片预测未来的图片，但为什么生成的图和输入差不多，和用作标签的图片不一样
参数不对，大概是训练的样本太少，或者是训练的次数太小。
⑶ 要学GAN（神经对抗网络），应该从什么学起
GAN最开始是设计用于生成连续数据，但是自然语言处理中我们要用来生成离散tokens的序列。因为生成器(Generator，简称G)需要利用从判别器(Discriminator，简称D)得到的梯度进行训练，而G和D都需要完全可微，碰到有离散变量的时候就会有问题，只用BP不能为G提供训练的梯度。在GAN中我们通过对G的参数进行微小的改变，令其生成的数据更加“逼真”。若生成的数据是基于离散的tokens，D给出的信息很多时候都没有意义，因为和图像不同。图像是连续的，微小的改变可以在像素点上面反应出来，但是你对tokens做微小的改变，在对应的dictionary space里面可能根本就没有相应的tokens.
2.GAN只可以对已经生成的完整序列进行打分，而对一部分生成的序列，如何判断它现在生成的一部分的质量和之后生成整个序列的质量也是一个问题。
⑷ 为什么GAN的生成器产生的都是小数
GAN 的原论文中的证明会有一些不严谨的地方，并且在算法中为了训练效率更高，也有很多简化，其实这也是这个领域的一个常见现象，在北大的深度学习的数学原理的暑期课上，老师就提到过 深度学习中数学严谨证明占 6 成 。
言外之意就是该领域的证明过程并没有纯数学的那么严谨，当从计算机科学工程师角度去推导证明的时候，往往会有跟实际相悖的前提假设，但是从该假设推导出来的结论却是与实验结果相符或者该结论会对解决实际问题中有一定的指导意义。
该作者是一个数学底蕴很强的 AI 研究者，该论文的目的是试图从数学的角度对 GANs 进行概述，是一篇不可多得好有关 GAN 数学原理的理论性文章，论文中涉及到大量的数学原理和很多让人眼花缭乱的数学符号，可以把它当成一个 GAN 的理论手册，对哪一块感兴趣就可以认真研读一番 。
GAN背景介绍
荣获图灵奖品有深度学习三剑客之称的 Yann LeCun 称曾表示“GAN 的提出是最近 10 年在深度学习中最有趣的想法”。
下图表示这 2014 到 2018 年以来有关 GAN 的论文的每个月发表数量，可以看出在 2014 年提出后到 2016 年相关的论文是比较少的，但是从 2016 年，或者是 2017 年到今年这两年的时间，相关的论文是真的呈现井喷式增长。
GAN 的应用十分广泛，它的应用包括图像合成、图像编辑、风格迁移、图像超分辨率以及图像转换，数据增强等
⑸ 三阶魔方gan教程标记问题
括号
指
边
作连贯起
做
做公式
节奏问题
作
段
括号外边
2
说括号
作做两
跟
数
所
第二张图四周
短横代表
黄色块
顶层侧边
布位置
OLL
步
观察黄色块
布
判断应用哪
条OLL公式进行复原
⑹ 深度卷积gan的训练和测试阶段有什么区别
多项式插值： 先设插值多项式函数为， 将各节点的函数值代入多项式里，便得到个等式，得到一个关于多项式里系数的线性方程组，解此线性方程组，便得到所要求的插值多项式。 三次样条插值：
⑺ 怎样准备自己的数据用于GAN的训练
1.把数据转化成leveldb或者是lmdb格式
2.编写好net和solver的prototxt文件
3.在命令行下输入caffe.exe train -solver XX.prototxt（solver的文件）或者在bat文件里输入那个指令并运行
⑻ gan如何做图像增强
对于图像问题，卷积神经网络相比于简单地全连接的神经网络更具优势。
本文将继续深入 GAN，通过融合卷积神经网络来对我们的 GAN 进行改进，实现一个深度卷积 GAN。
如果还没有亲手实践过 GAN 的小伙伴可以先去学习一下上一篇专栏：生成对抗网络（GAN）之 MNIST 数据生成。
本次代码在 NELSONZHAO/hu/dcgan，里面包含了两个文件：
dcgan_mnist：基于 MNIST 手写数据集构造深度卷积 GAN 模型
dcgan_cifar：基于 CIFAR 数据集构造深度卷积 GAN 模型
本文主要以 MNIST 为例进行介绍，两者在本质上没有差别，只在细微的参数上有所调整。由于穷学生资源有限，没有对模型增加迭代次数，也没有构造更深的模型。并且也没有选取像素很高的图像，高像素非常消耗计算量。
本节只是一个抛砖引玉的作用，让大家了解 DCGAN 的结构，如果有资源的小伙伴可以自己去尝试其他更清晰的图片以及更深的结构，相信会取得很不错的结果
⑼ 深度学习：gan生成对抗网络理想情况下是不是生成的都是训练集原有的图片
不是的，理想状况生成的是训练集原有图像的组合变换图像，该图像和原有图像有所相似但又不尽相同。
举个人脸生成的例子来说就是生成了一个假脸，这个假脸和训练集中的图像可能脸型相同，但是眼睛和鼻子不同，也可能是其他地方有所不同，但整体属于人脸的范畴。如果训练到完全拟合的话，最终生成的图像就会是训练集原有的图像，因为只有训练集的图像能通过验证，其他图像都不会通过验证，但实际上是不可能做到的，只要是训练就会有误差，最终会生成高度相似的假脸。
⑽ 利用gan生成的样本能作为训练用吗
深度学习的模型有很多，既有生成模式也有判别模式， 目前开发者最常用的深度学习模型与架构包括 CNN卷积神经网络、DBN深度信念网络、RNN循环神经网络、RNTN递归神经张量网络、自动编码器、GAN 生成对抗模型等。机器学习方法可以分为生成方法（generative approach）和判别方法（discriminative approach），所学到的模型分别称为生成式模型（generative model）和判别式模型（discriminative model）。生成方法通过观测数据学习样本与标签的联合概率分布P(X, Y)，训练好的模型能够生成符合样本分布的新数据，它可以用于有监督学习和无监督学习。判别模型：将跟踪问题看成一个二分类问题，然后找到目标和背景的决策边界。它不管目标是怎么描述的，那只要知道目标和背景的差别在哪，然后你给一个图像，它看它处于边界的那一边，就归为哪一类。