gan

长文解释生成对抗网络GAN的详细原理（20分钟阅读）

Yann LeCun将其描述为“过去10年机器学习中最有趣的想法”。当然，来自深度学习领域这样一位杰出研究人员的这种称赞总是对我们所谈论的主题的一个很好的广告！

生成对抗网络GANs的初学者介绍，原理解释 – 附代码

一阵子英伟达的StyleGAN可谓是火了一把，近日又出大招了！以往图像到图像转换需要大量的图像做训练样本，但是在英伟达的这项工作中，仅需小样本就可以做到图像到图像的转换(代码已开源)！

阅读生成性对抗性网络（GAN）研究和评估如何开发然后实现您自己的GAN以生成手写数字

本文是GAN系列的一部分，我们将研究为什么培训如此难以捉摸。通过这项研究，我们了解了一些驱动许多研究人员方向的基本问题。我们将研究一些分歧，以便我们知道研究可能会去哪里。在研究这些问题之前，让我们快速回顾一下GAN方程。

5年前，GANs开始了深度学习的革命。这场革命产生了一些重大的技术突破。本文将详细介绍 GAN 的历史以及不同模型的效果。

与其他领域相比，机器学习/人工智能现在似乎有更高频率的超级有趣的发展。

浙大、悉尼大学等高校研究员提出MirrorGAN，作为全局-局部注意和语义保持的文本-图像-文本框架，解决文本描述和视觉内容之间的语义一致性问题，并在COCO数据集上刷新了记录。

生成对抗神经网络（ GANs ）是深度学习下一步发展的关键，它在很多领域都有很大的应用前景。但 GANs 的繁荣还需要跨过硬件和框架这两座高山。

TorchGAN 是基于 PyTorch 的 GAN 设计开发框架。该框架旨在为流行的 GAN 提供构造模块，且允许为前沿研究进行定制化。