條件生成式對(duì)抗網(wǎng)絡(luò)
關(guān)注創(chuàng)建者：正一算法程序 創(chuàng)建時(shí)間：2020-11-02
條件生成式對(duì)抗網(wǎng)絡(luò)的實(shí)例教程
?
生成對(duì)抗網(wǎng)絡(luò) （GAN） 由 Ian Goodfellow 于 2014 年首次提出。GAN 是一類功能強(qiáng)大的神經(jīng)網(wǎng)絡(luò)，用于無(wú)監(jiān)督學(xué)習(xí)。GAN 可以創(chuàng)造任何東西，無(wú)論你提供給他們什么，因?yàn)樗?Learn-Generate-Improve。要首先了解 GAN，您必須對(duì)
卷積神經(jīng)網(wǎng)絡(luò)知之甚少。如果將圖像饋送到 CNN，CNN 經(jīng)過(guò)訓(xùn)練可以根據(jù)圖像的標(biāo)簽對(duì)圖像進(jìn)行分類，它會(huì)逐個(gè)像素分析圖像并通過(guò) CNN 隱藏層中存在的節(jié)點(diǎn)，作為輸出，它會(huì)告訴圖像是關(guān)于什么的或它在圖像中看到什么。例如：如果 CNN 經(jīng)過(guò)訓(xùn)練對(duì)狗和貓進(jìn)行分類，并且圖像被提供給該 CNN，它可以判斷該圖像中是狗還是貓。因此，它也可以稱為分類算法。GAN 有何不同？GAN 可以分為兩部分，即 Generator 和 Discriminator。鑒別器–GANs 的這一部分可以被認(rèn)為類似于 CNN 的作用。判別器是一個(gè)卷積神經(jīng)網(wǎng)絡(luò)，由許多隱藏層和一個(gè)輸出層組成，這里的主要區(qū)別是 GAN 的輸出層只能有兩個(gè)輸出，這與 CNN 不同，CNN 可以有相對(duì)于它訓(xùn)練的標(biāo)簽數(shù)量的輸出。判別器的輸出可以是 1 或 0，因?yàn)闉榇巳蝿?wù)專門選擇了激活函數(shù)，如果輸出為 1，則提供的數(shù)據(jù)是真實(shí)的，如果輸出為 0，則將其稱為假數(shù)據(jù)。Discriminator 在真實(shí)數(shù)據(jù)上進(jìn)行訓(xùn)練，因此它學(xué)會(huì)識(shí)別實(shí)際數(shù)據(jù)的外觀以及數(shù)據(jù)應(yīng)該將哪些特征歸類為真實(shí)數(shù)據(jù)。 發(fā)電機(jī)–從名稱本身，我們可以理解它是一種生成算法。Generator 是一個(gè)逆卷積神經(jīng)網(wǎng)絡(luò)，它的作用與 CNN 完全相反，因?yàn)樵?CNN 中，實(shí)際圖像作為輸入給出，分類標(biāo)簽預(yù)期作為輸出，但在 Generator 中，隨機(jī)噪聲（具有一些確切值的向量）作為該逆 CNN 的輸入，實(shí)際圖像預(yù)期作為輸出。簡(jiǎn)單來(lái)說(shuō)，它利用自己的想象力從一段數(shù)據(jù)中生成數(shù)據(jù)。
展開(kāi) 圖像合成：從給定的數(shù)據(jù)分布（如人臉、風(fēng)景或動(dòng)物）生成新的逼真圖像。
文本到圖像合成：從文本描述（如場(chǎng)景描述、對(duì)象描述或?qū)傩裕?em>生成圖像。
圖像到圖像轉(zhuǎn)換：將圖像從一個(gè)域轉(zhuǎn)換到另一個(gè)域，例如將灰度圖像轉(zhuǎn)換為彩色、更改場(chǎng)景的季節(jié)或?qū)⒉輬D轉(zhuǎn)換為逼真的圖像。
異常檢測(cè)：識(shí)別數(shù)據(jù)中的異常或異常值，例如檢測(cè)金融交易中的欺詐、檢測(cè)網(wǎng)絡(luò)入侵或識(shí)別醫(yī)學(xué)成像中的醫(yī)療狀況。
數(shù)據(jù)增強(qiáng)：增加用于訓(xùn)練深度學(xué)習(xí)模型的數(shù)據(jù)集的大小和多樣性，例如在計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別或自然語(yǔ)言處理中。
視頻合成：從給定的數(shù)據(jù)分布（例如人類動(dòng)作序列、動(dòng)物行為或動(dòng)畫序列）生成新的逼真視頻序列。
音樂(lè)合成：從給定的數(shù)據(jù)分布（如音樂(lè)流派、風(fēng)格或樂(lè)器）生成新的原創(chuàng)音樂(lè)。
3D 模型合成：從給定的數(shù)據(jù)分布（例如對(duì)象、場(chǎng)景或形狀）生成新的逼真 3D 模型。
生成對(duì)抗網(wǎng)絡(luò) （GAN） 最流行的是從給定的圖像數(shù)據(jù)集生成圖像，但除此之外，GAN 現(xiàn)在還用于各種應(yīng)用。這些是一類神經(jīng)網(wǎng)絡(luò)，具有一個(gè)鑒別器塊和一個(gè)生成器塊，它們協(xié)同工作，除了對(duì)樣本類別進(jìn)行分類或預(yù)測(cè)之外，還能夠生成新樣本。
一些新發(fā)現(xiàn)的 GAN 用例包括：
安全：事實(shí)證明，人工智能對(duì)許多行業(yè)來(lái)說(shuō)都是一個(gè)福音，但它也受到網(wǎng)絡(luò)威脅問(wèn)題的困擾。事實(shí)證明，GAN 對(duì)處理對(duì)抗性攻擊有很大幫助。對(duì)抗性攻擊使用各種技術(shù)來(lái)欺騙深度學(xué)習(xí)架構(gòu)。通過(guò)創(chuàng)建虛假示例并訓(xùn)練模型來(lái)識(shí)別它們，我們可以應(yīng)對(duì)這些攻擊。
使用 GAN 生成數(shù)據(jù)：數(shù)據(jù)是任何深度學(xué)習(xí)算法中最重要的關(guān)鍵。一般來(lái)說(shuō)，數(shù)據(jù)越多，任何深度學(xué)習(xí)算法的性能就越好。但是在許多情況下，例如健康診斷，數(shù)據(jù)量受到限制，在這種情況下，需要生成高質(zhì)量的數(shù)據(jù)。正在使用 GAN 的用途。
隱私保護(hù)： 在許多情況下，我們的數(shù)據(jù)需要保密。這在國(guó)防和軍事應(yīng)用中特別有用。
展開(kāi) <div contenteditable="false" width="100%">
演示如何使用 Keras 庫(kù)構(gòu)建生成對(duì)抗網(wǎng)絡(luò)。使用的數(shù)據(jù)集是預(yù)加載到 Keras 中的 CIFAR10 Image 數(shù)據(jù)集。您可以在此處閱讀有關(guān)數(shù)據(jù)集的信息。
</div><div contenteditable="false" width="100%">
<br>
</div><p><br></p>
展開(kāi) 
條件生成式對(duì)抗網(wǎng)絡(luò)的相關(guān)專題、標(biāo)簽、搜索
條件生成式對(duì)抗網(wǎng)絡(luò)的最新內(nèi)容
圖像合成：從給定的數(shù)據(jù)分布（如人臉、風(fēng)景或動(dòng)物）生成新的逼真圖像。
文本到圖像合成：從文本描述（如場(chǎng)景描述、對(duì)象描述或?qū)傩裕┥蓤D像。
圖像到圖像轉(zhuǎn)換：將圖像從一個(gè)域轉(zhuǎn)換到另一個(gè)域，例如將灰度圖像轉(zhuǎn)換為彩色、更改場(chǎng)景的季節(jié)或?qū)⒉輬D轉(zhuǎn)換為逼真的圖像。
異常檢測(cè)：識(shí)別數(shù)據(jù)中的異常或異常值，例如檢測(cè)金融交易中的欺詐、檢測(cè)網(wǎng)絡(luò)入侵或識(shí)別醫(yī)學(xué)成像中的醫(yī)療狀況。
數(shù)據(jù)增強(qiáng)：增加用于訓(xùn)練深度學(xué)習(xí)模型的數(shù)據(jù)集的大小和多樣性
<div contenteditable="false" width="100%">
演示如何使用 Keras 庫(kù)構(gòu)建生成對(duì)抗網(wǎng)絡(luò)。使用的數(shù)據(jù)集是預(yù)加載到 Keras 中的 CIFAR10 Image 數(shù)據(jù)集。您可以在此處閱讀有關(guān)數(shù)據(jù)集的信息。
</div><div contenteditable="false" width="100%">
<br>
</div><p><br><
?
生成對(duì)抗網(wǎng)絡(luò) （GAN） 由 Ian Goodfellow 于 2014 年首次提出。GAN 是一類功能強(qiáng)大的神經(jīng)網(wǎng)絡(luò)，用于無(wú)監(jiān)督學(xué)習(xí)。GAN 可以創(chuàng)造任何東西，無(wú)論你提供給他們什么，因?yàn)樗?Learn-Generate-Improve。要首先了解 GAN，您必須對(duì)
卷積神經(jīng)網(wǎng)絡(luò)知之甚少。如果將圖像饋送到 CNN，CNN 經(jīng)過(guò)訓(xùn)練可以根據(jù)圖像的標(biāo)簽對(duì)圖像進(jìn)行分類
