生成式对抗网络.ppt

第8章生成式对抗网络8.1原始生成式对抗网络8.1.2GAN实现代码第一步：导入各种需要的包。第二步：建立生成模型。第三步：建立判别模型第四步：导入需要的数据集。第五步：接下来定义GAN类，以便以后生成对象。*第8章生成式对抗网络8.2条件生成对抗网络在基本的生成对抗网络模型中，生成器是通过输入一串满足某个分布的随机数来实现的。而在条件生成对抗网络(CGAN)中，不仅要输入随机数，还需要将之与标签类别做拼接，再将其输入生成器生成所需要的数据。对判别器，也需要将真实数据或生成数据与对应的标签类别做拼接，再输入判别器的神经网络进行识别和判断。对于CGAN来说，训练目标是：*深度学习实践教程吴微编著吴微编著吴微编著吴微编著吴微编著第8章生成式对抗网络8.1原始生成式对抗网络8.2条件生成对抗网络8.3最小二乘生成对抗网络课上练习*第8章生成式对抗网络8.1原始生成式对抗网络生成式对抗网络常用于生成以假乱真的图片。生成对抗网络模型框架中（至少）两个模块：生成模块和判别模块，它们的互相博弈学习产生相当好的输出。生成对抗网络除了生成以假乱真的图片外，还被用于生成影片、三维物体模型等。*第8章生成式对抗网络8.1原始生成式对抗网络“GAN的动物园”：条件生成式对抗网络（conditionGenerativeAdversarialNetworks，CGAN）、最小二乘生成式对抗网（LeastSquaresGenerativeAdversarialNetworks，LSGAN）、边界均衡生成式对抗网（BoundaryEquilibriumGenerativeAdversarialNetworks，BEGAN），渐进增大生成式对抗网络（progressivegrowingGenerativeAdversarialNetworks，PG-GAN）、Wasserstein对抗网络(WGAN)、循环生成式对抗网络（CycleGAN）等等。*第8章生成式对抗网络1.1人工智能、机器学习与深度学习1.1.1人工智能简介人工智能有两种类型：强人工智能和弱人工智能。强人工智能：就是要使机器学习人的理解、学习和执行任务的能力。弱人工智能：指用于自动化特定任务的软件。*模糊控制在处理数值数据、自学习能力等方面还远没有达到人脑的境界。人工神经网络从另一个角度出发，即从人恼的生理学和心理学着手，通过人工模拟人脑的工作机理来实现机器的部分智能行为。人工神经网络（简称神经网络，NeuralNetwork）是模拟人脑思维方式的数学模型。神经网络是在现代生物学研究人脑组织成果的基础上提出的，用来模拟人类大脑神经网络的结构和行为。神经网络反映了人脑功能的基本特征，如并行信息处理、学习、联想、模式分类、记忆等。20世纪80年代以来，人工神经网络（ANN，ArtificialNeuralNetwork）研究所取得的突破性进展。神经网络控制是将神经网络与控制理论相结合而发展起来的智能控制方法。它已成为智能控制的一个新的分支，为解决复杂的非线性、不确定、未知系统的控制问题开辟了新途径。神经网络的发展历程经过4个阶段。1启蒙期（1890-1969年）1890年，W.James发表专著《心理学》，讨论了脑的结构和功能。1943年，心理学家W.S.McCulloch和数学家W.Pitts提出了描述脑神经细胞动作的数学模型，即M-P模型（第一个神经网络模型）。6.1神经网络发展历史1949年，心理学家Hebb实现了对脑细胞之间相互影响的数学描述，从心理学的角度提出了至今仍对神经网络理论有着重要影响的Hebb学习法则。1958年，E.Rosenblatt提出了描述信息在人脑中贮存和记忆的数学模型，即著名的感知机模型（Perceptron）。1962年，Widrow和Hoff提出了自适应线性神经网络，即Adaline网络，并提出了网络学习新知识的方法，即Widrow和Hoff学习规则（即δ学习规则），并用电路进行了硬件设计。2低潮期（1969-1982）受当时神经网络理论研究水平的限制及冯·诺依曼式计算机发展的冲击等因素的影响，神经网络的研究陷入低谷。在美、日等国有少数学者继续着神经网络模型和学习算法的研究，提出了许多有意义的理论和方法。例如，1969年，S.Groisberg和A.Carpentet提出