- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习与生成对抗网络
常被误解的DCGAN
1.DCGAN的主要动机 大家都知道GAN在2014年被提出后，随后的DCGAN是第一个使用了卷积进行图像生成的GAN变体。 我们介绍一种遵循着一些网络结构设计约束的深度卷积生成对抗网络（DCGAN），并证明它是无监督学习的强大候选者。 为了评估DCGAN提取的特征在监督任务上的效果，论文在Imagenet-1k上进行训练，然后使用判别器的所有卷积层特征、通过最大池化来生成4×4空间特征；然后将它们铺平、拼接得到28672维向量。 2.DCGAN生成多大的图像？ 而且，它们仅仅使用数百或几千幅图像（当然，这也需要看图像的内容场景复杂与否 不要忘了，DCGAN只适合生成32X32和64X64的图像。大分辨率图像请参照StyleGAN、PGGAN之类！
97820发布于 2021-02-07 - 来自专栏给永远比拿愉快
基于Keras的DCGAN实现
基于Keras的DCGAN实现 说明：所有图片均来自网络，如有侵权请私信我删 参考资料 基于Keras的DCGAN实现的外文博客：GAN by Example using Keras on Tensorflow Tips and tricks to make GANs work 提出DCGAN网络的科技论文：Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks DCGAN简介 Wikipedia定义 生成对抗网络（Generative Adversarial Network，简称GAN）是非监督式学习的一种方法 class DCGAN(): def __init__(self): # Input shape self.img_rows = 28 self.img_cols
1.3K40发布于 2019-01-22 - 来自专栏半杯茶的小酒杯
深度卷积生成对抗网络(DCGAN)
下面实现一个DCGAN生成二次元图像的例子。先在我的渣渣笔记本上的训练效果。 笔记本训练比较慢，所以只用了1000张图片作为训练输入数据，训练了50个epoch，不过可以看出已经有初步的效果了。 anim_file = 'dcgan.gif' with imageio.get_writer(anim_file, mode='I') as writer: filenames = glob.glob
1.6K20编辑于 2022-04-28 - 来自专栏大龄程序员的人工智能之路
实战生成对抗网络：DCGAN
事实上，在GANs in Action这本书中，作者也给出了手写数字生成的另外一种DCGAN模型，代码可参考：https://github.com/GANs-in-Action/gans-in-action
67820发布于 2019-07-01 - 来自专栏给永远比拿愉快
PyTorch版本DCGAN实现的注解
PyTorch版本DCGAN实现的注解 该篇博文是对PyTorch官方Examples中DCGAN（Deep Convolution Generative Adversarial Networks
1.9K30发布于 2019-01-22 - 来自专栏LhWorld哥陪你聊算法
【深度学习】--DCGAN从入门到实例应用
一、前述 DCGAN就是Deep Concolutions应用到GAN上，但是和传统的卷积应用还有一些区别，最大的区别就是没有池化层。本文将详细分析卷积在GAN上的应用。 二、具体 1、DCGAN和传统GAN区别 1.将pooling层convolutions替代（对于判别模型：容许网络学习自己的空间下采样 ，因为没有池化层，所以让判别网络自习学习。 4、代码 代码部分详见git地址：https://github.com/LhWorld/DCGAN
1.4K20发布于 2018-09-13 - 来自专栏贾志刚-OpenCV学堂
轻松学 Pytorch – 使用DCGAN实现数据复制
DCGAN Ian J. Goodfellow首次提出了GAN之后，生成对抗只是神经网络还不是深度卷积神经网络，所以有人提出一种基于深度神经网络的生成对抗网络，这个就是DCGAN。 相比之前的GAN，DCGAN在生成者与判别者网络上的改进如下： 1.使用步长卷积与反卷积替代池化实现上下采样 2.在生成者与判别者网络使用BN层 3.删除全链接层 4.在生成者网络使用ReLU作为激活函数 使用celebA人脸数据集，20W张人脸数据，完成DCGAN的训练，最终保存生成者模型。下面是DCGAN的代码实现与，训练与基于生成者实现人脸数据的复制。 DCGAN代码实现与训练 01 生成者 生成者卷积神经网络的代码实现如下： class Generator(nn.Module): def __init__(self, ngpu): 模型使用 基于DCGAN的生成者模型，直接加载，生成100个随机数作为输入样本，生成的人脸图像如下： ? ? ? ?
1.1K20发布于 2020-11-06 - 来自专栏null的专栏
深度卷积生成对抗网络DCGAN
DCGAN的优化 相比于GAN，除了将GAN中生成器和判别器中的MLP替换成CNN外，其余的基本不变，DCGAN的价值函数依然为： DCGAN中的CNN相比于一般的CNN主要有如下的不同： 使用卷积操作替换传统CNN模型中的pooling。 总结 鉴于CNN模型在图像方面的成功经验，在DCGAN中通过将GAN中的MLP替换成不同的CNN模型，并且对传统的CNN模型进行一些优化，使得生成器能够生成更好的图片。 Computer Science, 2015. [3] GAN学习：GAN/DCGAN原理、公式推导及实践 [4] DCGAN原理解析 [5] http://yann.lecun.com/exdb/publis /pdf/lecun-98.pdf [6] DCGAN原理及应用 [7] GAN网络之入门教程（四）之基于DCGAN动漫头像生成
89450编辑于 2022-05-12 - 来自专栏后端架构
生成式之DCGAN生成漫画头像
DCGAN原理 DCGAN是GAN的扩展，使用卷积和转置卷积层来分别构建判别器和生成器。 DCGAN论文提到，使用卷积进行下采样可以让网络学习自己的池化特征，而不是通过池化操作。 循环训练网络，每经过50次迭代，就收集生成器和判别器的损失，以便于后面绘制训练过程中损失函数的图像。 总结 使用DCGAN（深度卷积生成对抗网络）生成动漫头像图片。包括数据准备与处理、生成器网络结构、判别器网络结构、损失函数和优化器设置、模型训练过程以及最终生成的动漫头像图片展示。
50510编辑于 2024-07-19 - 来自专栏数据派THU
GAN、DCGAN、WGAN、SRGAN 演变与改进
来源：信息网络工程研究中心本文共1000字，建议阅读5分钟本文带你了解GAN、DCGAN、WGAN、SRGAN。 使用JS散度作为距离公式 DCGAN DCGAN（deep convolutional generative adversarial networks）采用深度卷积的生成对抗网络。
88220编辑于 2022-05-25 - 来自专栏DeepHub IMBA
Pytorch和DCGAN生成肖像画
因此，在本文中，我将经历构建DCGAN模型的历程，包括我所面临的挑战以及为达到最终模型所做的工作。 虽然并不完美，但结果却是不错的，因为我们仅使用本文提出的具有随机图像增强和特征匹配功能的无监督DCGAN。 ? 下图表示具有功能匹配的DCGAN鉴别器架构。 ? 在最初的DCGAN论文中，定义了一系列具有BatchNorm和LeakyReLU的2D卷积层，以从图像中提取特征，并最终输出单个值来预测输入的图像是假的还是真实的。 生成器 我们的生成器模型将完全遵循DCGAN的完全相同的体系结构。 ?
65540发布于 2021-04-30 - 来自专栏CSDN技术头条
深度卷积对抗生成网络(DCGAN)
DCGAN的generator网络结构： ? 虽然之前的GAN使用momentum来加速训练，DCGAN使用调好超参的Adam optimizer。 这表明了DCGAN不是通过记忆训练数据来生成/过拟合高质量的图片。 DCGAN capabilities验证 为了验证DCGAN的特征表示的有效性，将特征表示输入到L2-SVM中，并将分类结果与其他的无监督学习算法进行对比。 但我觉得，更大的贡献在于作者对于效果的研究方式，生成模型很难来区分好与坏，而本paper通过探索隐空间，分析网络，比较特征表现能力等一系列手段，证明了DCGAN算法确实是一个强大的算法。
1.4K80发布于 2018-02-12 - 来自专栏人工智能头条
深度卷积对抗生成网络(DCGAN)
DCGAN的generator网络结构： ? 虽然之前的GAN使用momentum来加速训练，DCGAN使用调好超参的Adam optimizer。 这表明了DCGAN不是通过记忆训练数据来生成/过拟合高质量的图片。 DCGAN capabilities验证 为了验证DCGAN的特征表示的有效性，将特征表示输入到L2-SVM中，并将分类结果与其他的无监督学习算法进行对比。 但我觉得，更大的贡献在于作者对于效果的研究方式，生成模型很难来区分好与坏，而本paper通过探索隐空间，分析网络，比较特征表现能力等一系列手段，证明了DCGAN算法确实是一个强大的算法。
1.2K30发布于 2018-06-06 - 来自专栏AI异构
一看就懂的Tensorflow实战（DCGAN）
DCGAN简介 DCGAN在GAN的基础上优化了网络结构，加入了 conv，batch_norm 等层，使得网络更容易训练，网络结构如下： ? DCGAN网络结构图 注意：本图只是示例，与下面实际网络参数不对应。 Tensorflow实现DCGAN from __future__ import division, print_function, absolute_import import matplotlib.pyplot 0.002 # 判别器学习率 # 网络参数 image_dim = 784 # 28*28 pixels * 1 channel noise_dim = 100 # Noise data points 构建DCGAN
97130发布于 2020-07-29 - 来自专栏PaddlePaddle
飞桨实战 | DCGAN生成手写数字图片全解析
项目地址： https://github.com/PaddlePaddle/book/tree/develop/09.gan 效果展示 先来看一下DCGAN的最终效果：将 MNIST 数据集输入网络进行训练 DCGAN DCGAN是深层卷积网络与 GAN 的结合，其基本原理与 GAN 相同，只是将生成器和判别器用两个卷积网络（CNN）替代。 图：DCGAN中的生成器（G） 快速开始 本文的DCGAN任务依赖于 Paddle Fluid v1.3 及以上版本，请参考官网安装指南进行安装。 采用这种结构的生成模型和CNN结构的判别模型，DCGAN在图片生成上可以达到相当可观的效果。 本文中，我们利用DCGAN生成了手写数字图片，您可以尝试更换数据集生成符合个人需求的图片，完成您的图像生成任务，快来试试吧！
1.6K20发布于 2019-06-14 - 来自专栏机器学习与生成对抗网络
基础 | 如何通过DCGAN实现动漫人物图像的自动生成？
主要工作如下： 设计DCGAN网络模型。对课题中所涉及到GAN原理、优化器等技术进行分析，并根据DCGAN的基本原则设计面向动漫人物生成的神经网络。 建立图像样本库。 采集40000张动漫人物图像，按照比例随机分为训练集和测试集，并利用数据集对DCGAN进行无监督训练以及测试。 实现并训练DCGAN网络。 其次，选择CNN作为DCGAN的基础网络，对CNN的池化层和全连接层进行调整。DCGAN是一种深度卷积网络，可以实现目标特征提取以及图像分类。 动漫图像生成网络设计 ---- ▐ DCGAN设计原则 DCGAN目前是GAN在实际工程实践中被采用最多的衍生网络，为了提高图像生成质量，增强其稳定性，许多研究学者尝试进行优化，并提出了四点设计原则 DCGAN模型测试 使用同一组超参数对测试集进行训练，图像生成效果与训练集基本一致，使用第四次实验的第97 个训练周期DCGAN模型进行测试，选取4组图像，如下图所示： ?
4.2K10发布于 2020-09-14 - 来自专栏GAN&CV
DCGAN、WGAN、WGAN-GP、LSGAN、BEGAN原理总结及对比
1.DCGAN 【Paper】 ： http://arxiv.org/abs/1511.06434 【github】 : https://github.com/Newmu/dcgan_code theano https://github.com/carpedm20/DCGAN-tensorflow tensorflow https://github.com/jacobgil/keras-dcgan keras https://github.com/soumith/dcgan.torch torch DCGAN是继GAN之后比较好的改进，其主要的改进主要是在网络结构上，到目前为止，DCGAN 的网络结构还是被广泛的使用，DCGAN极大的提升了GAN训练的稳定性以及生成结果质量。 DCGAN的生成器网络结构如上图所示，相较原始的GAN，DCGAN几乎完全使用了卷积层代替全链接层，判别器几乎是和生成器对称的，从上图中我们可以看到，整个网络没有pooling层和上采样层的存在，实际上是使用了带步长
3.6K30发布于 2018-09-12 - 来自专栏CreateAMind
dcgan人脸生成效果复现-多图及代码学习
https://github.com/carpedm20/DCGAN-tensorflow dcgan人脸生成的粗糙效果：使用tensorboard实时查看训练中生成图片的效果 ? ? ? ? ? MzA5MDMwMTIyNQ==&hid=3&sn=23797b11212b3f07db11afebcfea466e#wechat_redirect https://github.com/carpedm20/DCGAN-tensorflow 有了代码，但是代码是如何改进来的，可以在github看代码commit历史，特别是原作还提供了debug分支，debug : https://github.com/carpedm20/DCGAN-tensorflow
1.1K10发布于 2018-07-25 - 来自专栏机器之心
入门 | 想实现DCGAN？从制作一张门票谈起！
选自FreeCodeCamp 作者：Thalles Silva 机器之心编译 参与：陈韵竹、蒋思源 生成对抗网络因为优雅的创意和优秀的性能吸引了很多研究者与开发者，本文从简洁的案例出发详解解释了 DCGAN 此外，本文还详细说明了 DCGAN 的实现过程，是非常好的实践教程。 热身 假设你附近有个很棒的派对，你真的非常想去。但是，存在一个问题。为了参加聚会，你需要一张特价票——但是，票已经卖完了。 等等！ 项目地址：https://github.com/sthalles/blog-resources/blob/master/dcgan/DCGAN.ipynb 生成对抗网络 ? 以上改编自 DCGAN 论文，是生成器网络的实现方式。请注意全连接层和池化层并不存在。 下面，我们展示了深度卷积生成对抗网络（DCGAN）的实现方法。我们遵循 DCGAN 论文中描述的实践方法，使用 Tensorflow 框架进行实现。 生成器 生成器网络有 4 个卷积层。
1.1K80发布于 2018-05-11 - 来自专栏DeepHub IMBA
一个快速构造GAN的教程：如何用pytorch构造DCGAN
在本教程中，我们将在PyTorch中构建一个简单的DCGAN，并在手写数据集上对它进行训练。 我这里是DCGAN。在该目录中，创建一个名为data的目录。 DCGAN 将以下内容添加到您的dcgan_mni .py脚本: class DCGAN(): def __init__(self, latent_dim, noise_fn, dataloader DCGAN.train_step_generator 此方法执行生成器的一个epoch，并以浮点数的形式返回损失。 https://github.com/ConorLazarou/pytorch-generative-models/blob/master/GAN/DCGAN/dcgan_mnist.py 作者：Conor
1.8K40发布于 2020-08-04
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号