generative 第24页

适用于初学者的生成对抗网络教程

适用于初学者的生成对抗网络教程（来源：https://www.oreilly.com/learning/generative-adversarial-networks-for-beginners）初学者实践生成对抗网络你可以在这里下载本教程的示例代码

金正阳·2017-11-09 21:18

A generative vision model that trains with high data efficiency and breaks text-based CAPTCHAs

一种视觉生成模型，数据高效型训练，并破解了基于文本的验证码摘要：从少数的例子中学习，并概括到显著不同的情况，是人类视觉智能的能力，但是这些能力还没有先进的机器学习模型能够匹敌。通过从系统神经科学中汲取的灵感，我们引入了一种基于消息传递的推理的概率生成模型，模型以统一的方式处理识别，分割和推理。该模型表现出极佳的泛化和遮挡推理能力，在具有挑战性的场景文本识别基准测试中胜过深度神经网络，同时数据效率高

马小李23·2017-11-08 20:15

迁移学习-PixelDA-Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks

UnsupervisedPixel–LevelDomainAdaptationwithGenerativeAdversarialNetworksGoogleBrainLondon,UK这篇文章，提供的思路就是可以将超分辨的过程看做一个task，将迁移和超分辨在一个框架里组织起来，框架是有用的。因为文章里边说到，这种domainadaptation是假定在lowlevel的，而MRI和自然图像显然是

forever1993·2017-10-31 16:03

pytorch-generative-model-collections

https://github.com/znxlwm/pytorch-generative-model-collections

算法学习者·2017-10-29 22:25

在TensorFlow中对比两大生成模型：VAE与GAN

项目链接：https://github.com/kvmanohar22/Generative-Models本项目总结了使用变分自编码器（VariationalAutoencode，VAE）和生成对抗网络

机器之心V·2017-10-24 20:38

人脸识别"Disentangled Representation Learning GAN for Pose-Invariant Face Recognition"

有三个特征，1）生成器的编码-解码结构使得DR-GAN学习generative和discriminative的表示，2）通过提供到解码器的姿态编码和鉴别器的姿态估计，学到的特征表示与其他的人脸变形disentangled

cv_family_z·2017-09-06 16:31

判别式模型（discriminative model）和生成式模型（generative model）的区别

生成式模型(GenerativeModel)与判别式模型(DiscrimitiveModel)是机器学习中基础概念，在NLP和机器学习中经常会遇到这两种显著不同的模型，在学习阶段（训练阶段）和评估阶段（测试阶段）都有不同的表现，它们的区别在于：对于输入x，类别标签y：生成式模型估计它们的联合概率分布P(x,y)判别式模型估计条件概率分布P(y|x)生成式模型可以根据贝叶斯公式得到判别式模型，但反过

数据娃掘·2017-08-30 13:13

[cvpr2017]Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks

优势与Task-Specific图像训练结构解耦合。作者说因为这个域适应是在像素级别上进行的（becauseourmodelmapsoneimagetoanotheratthepixellevel），所以我们可以改变这个Task-Specific图像训练结构在标签域也可以同样做到域适应targetdomain和sourcedomain的标签域可以不一样，targetdomain训练时和测试时可以使

MataFela·2017-08-14 12:54

《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》阅读笔记

本文提出了一种利用生成对抗网络(GAN)对低分辨率单一图像进行超分辨率(super-resolution)的网络结构，作为GAN的一种重要应用，很值得去学习研究。阅读原文点这里。Abstract尽管我们已经利用更快更深的卷积神经网络(CNN)突破了单一图像超分辨率的速度和精度，但有一个中心问题仍没有完美解决：当对放大很多倍的图像进行超分辨率时，我们该如何更好的恢复图像的纹理细节？以最优化思想为基础

Aaron_wei·2017-08-07 21:55

Generative Adversarial Text to Image Synthesis --- 根据文字描述生成对应的图片

总说简单的说就是根据文字进行生成相应的图片。先看效果：架构这里首先用一个textembedding网络来将文字转换为向量，ϕ(t)是1024维的向量，然后投影成128。并将这128向量分别加入到G和D网络中。在G中直接concat到后面，而D中由于中间出来的是spatialsize是4x4大小的，所以直接复制4x4份，后面concat上去。因为普通的GAN就是一个z直接生成图片，但是这里是要让生成

Hungryof·2017-07-26 22:27

生成对抗网络学习笔记5----DCGAN（unsupervised representation learning with deep convolutional generative adv）的实现

首先是各种参考博客、链接等，表示感谢。1、参考博客1：地址——以下，开始正文。2017/12/12更新解决训练不收敛的问题。更新在最后面部分。1、DCGAN的简单总结稳定的深度卷积GAN架构指南:所有的pooling层使用步幅卷积(判别网络)和微步幅度卷积(生成网络)进行替换。在生成网络和判别网络上使用批处理规范化。对于更深的架构移除全连接隐藏层。在生成网络的所有层上使用RelU激活函数，除了输出

夏洛的网·2017-07-05 21:19

生成对抗网络学习笔记4----GAN（Generative Adversarial Nets）的实现

首先是各种参考博客、链接等，表示感谢。1、参考博客1：地址2、参考博客2：地址——以下，开始正文。1、GAN的简单总结见上一篇博客。2、利用GAN生成1维正态分布首先，我们创建“真实”数据分布，一个简单的高斯分布，均值为4，标准差为0.5,。还有一个样本函数，返回分布中给定数量的样本（按值排序过）。classDataDistribution(object):def__init__(self):se

夏洛的网·2017-06-30 11:37

学习笔记：生成对抗网络（Generative Adversarial Nets）(附代码)

同时训练两个模型：（1）生成模型G，不断捕捉训练库里真是图片的概率分布，将输入的随机噪声转变成新的样本（即假数据），使其像是一个真的图片。（2）判别模型D，用来估计一个样本来自训练数据的概率，即它可以同时观察真是和假造的数据，并判断这个数据的真假（这个数据是不是从数据集中获取的图片）。在训练的过程中让两个网络互相竞争。刚开始的时候这两个模型均未经过训练，然后生成模型产生一张假数据欺骗判别模型，判别

SusanZhang1231·2017-06-22 14:56

生成对抗网络学习笔记3----论文unsupervised representation learning with deep convolutional generative adversarial

论文原文：地址论文译文：地址1、阅读论文RadfordA,MetzL,ChintalaS.UnsupervisedRepresentationLearningwithDeepConvolutionalGenerativeAdversarialNetworks[J].ComputerScience,2015.2、翻译论文摘要近年来，使用卷积神经网络的监督学习被大量应用于计算机视觉应用中。相对地，使用

夏洛的网·2017-06-20 16:16

生成对抗网络学习笔记2----GANs（Generative Adversarial Nets）总结

原文地址：GANs翻译地址：生成对抗网络此文是对论文GenerativeAdversarialNets读后的一个总结。参考博客1：地址参考博客2：地址参考新闻3：地址参考Twitter4：地址1、简单总结GAN是一个极大极小博弈问题，网络中分为两个模型，一个生成模型G，作为生成器，用来生成与真实数据x极为相似的含有噪音z的数据；一个判别模型D，作为判别器，用来判别数据中哪些是真实数据x，哪些是G生

夏洛的网·2017-06-20 11:47

Generative Adversarial Nets (GAN)解读

会议：NIPS2014IntroductionGAN，生成对抗式网络是是IanGoodfellow经典的大作，引起了很大的轰动，后面的各种GAN也层出不穷。追根溯源，为了了解GAN，需要从这篇开山之作说起。那GAN到底是什么？简单来说，GAN由两个模型组成，一个是生成模型G，一个是判别模型D，G负责从给定训练数据中学习数据的概率分布而D负责判别G生成出来的数据是不是符合真实数据的样本概率分布。两个

andrewseu·2017-06-18 21:18

生成对抗网络学习笔记1----论文Generative Adversarial Nets

##1、阅读论文：GoodfellowIJ,Pouget-AbadieJ,MirzaM,etal.Generativeadversarialnets[C]//InternationalConferenceonNeuralInformationProcessingSystems.MITPress,2014:2672-2680.论文地址：GANs##2、翻译论文摘要我们提出一个新的框架，通过对抗过程来

夏洛的网·2017-05-26 10:03

论文笔记——UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS

首先给出2篇参考译文https://ask.julyedu.com/question/7681http://blog.csdn.net/c2a2o2/article/details/54408056GANs的学习系列8本人的阅读笔记1引言从大规模无标签的数据集中学习可重复使用的特征表达是一个具有活力的研究领域。通过无穷的无标签图像来学习一种好的中间表达（goodintermediaterepres

aidazheng·2017-05-17 16:27

生成模型(generative model)与判别模型(discriminate)的联系及区别

生成模型与判别模型的联系及区别监督学习——学习一个模型模型的一般形式决策函数Y=f(X)条件概率分布：P(Y|X)生成方法由数据学习联合概率分布P(Y,X)作为预测的模型，即生成模型P(Y|X)=P(Y,X)P(X)模型表示了给定输入X,产生输出Y的生成关系examples朴素贝叶斯、隐马尔科夫模型判别方法由数据直接学习决策函数f(X)或者条件概率分布P(Y|X)作为预测模型比较关心：给定输入X,

奥卡姆-剃刀·2017-05-16 18:14

GANs学习系列(2)：cGANs:Conditional Generative Adversarial Networks

reference:http://blog.csdn.net/u011534057/article/details/53409968结论byym:转完这篇，理解一下表达一下自己的一点感想。其实cgan潜在的道理很简单，但是这个简单直接的改进被证明非常有效。简单来说就是因为：在生成模型中,先验输入噪声p(z)和条件信息y联合组成了联合隐层表征。对抗训练框架在隐层表征的组成方式方面相当地灵活。即cnn

cookie_234·2017-04-23 15:23

论文引介 | NMT with Conditional Sequence Generative Adversarial Nets

文章原名：ImprovingNeuralMachineTranslationwithConditionalSequenceGenerativeAdversarialNets作者：ZhenYang,WeiChen,FengWangandBoXu单位：InstituteofAutomation,ChineseAcademyofSciences译者：韩旭链接：1导读这篇文章的主要工作在于应用了对抗训练（

算法学习者·2017-04-19 17:32

Semi-Supervised Learning with Generative Adversarial Networks

[目录]摘要SGAN模型结果生成结果分类结果结论和展望论文下载地址摘要通过使判别器网络输出类别标签将GAN扩展成半监督的。在一个N类别的数据集上训练生成模型G和判别模型D。训练时，D预测输入数据属于N个类别中的哪一个，加入一个额外的类别对应G的输出。我们证明，相对与普通的GAn，此方法可以用来生成一个更有效的分类器并可以生成高质量的样本。生成式网络G和判别器网络作为对抗对象同时训练，G接收一个噪声

菜鸟要超神·2017-04-13 21:19

Improving Neural Machine Translation with Conditional Sequence Generative Adversarial Nets

https://arxiv.org/pdf/1703.04887Thispaperproposesanewrouteforapplyingthegenerativeadversarialnets(GANs)toNLPtasks(takingtheneuralmachinetranslationasaninstance)andthewidespreadperspectivethatGANscan't

算法学习者·2017-04-10 16:38

论文引介 | StackGAN: Stacked Generative Adversarial Networks

文章原名：StackGAN:TexttoPhoto-realisticImageSynthesiswithStackedGenerativeAdversarialNetworks作者：HanZhang,TaoXu,HongshengLi,ShaotingZhang,XiaoleiHuang,XiaogangWang,DimitrisMetaxas单位：DepartmentofComputerSci

算法学习者·2017-04-09 15:31

【Learning Notes】生成式对抗网络（Generative Adversarial Networks，GAN）

在学习VariationalAuto-Encoder时，同时注意到了GAN研究的火热。但当时觉得GAN非常不成熟（训练不稳定，依赖各种说不清的tricks；没有有效的监控指标，需要大量的人工判断，因此难以扩展到图像之外的高维数据）。在读了Goodfellow的tutorial后[2]，开始黑转路人，觉得GAN虽然缺点不少，但优点也很明显。WGAN[5,6]等工作出现后，开始逐渐路人转粉，对GAN产

MoussaTintin·2017-03-14 10:13

Coupled Generative Adversarial Networks 阅读笔记

首先安利一个blog，https://www.cnblogs.com/wangxiaocvpr/这个blog写的内容涵盖计算机视觉与深度学习的很多方面，作者update的很快。这篇文章（NIPS2016）是基于GenerativeAdversarialNetworks（GAN）而来的，GAN有两个部分，第一部分是生成器Generator，第二部分是判别器Discriminator。Generato

Kevein111·2017-03-05 23:35

生成式模型（generative） vs 判别式模型（discriminative）

AndrewNg,OnDiscriminativevs.Generativeclassifiers:AcomparisonoflogisticregressionandnaiveBayes无论是生成式模型还是判别式模型，都可作为分类器使用，分类器的数学表达即为：给定输入X以及分类变量Y，求P(Y|X)。判别式模型直接估算P(Y|X)，或者也可像SVM那样，估算出输入和输出之间的映射，与概率无关；判

Inside_Zhang·2017-03-04 09:29

挖坑:UNSUPERVISED AND SEMI-SUPERVISED LEARNING WITH CATEGORICAL GENERATIVE ADVERSARIAL NETWORKS

SpringenbergJT.UnsupervisedandSemi-supervisedLearningwithCategoricalGenerativeAdversarialNetworks[J].ComputerScience,2015.原文下载链接2016ICLR会议论文Abstract文中作者提出一种从为标记或部分标记数据中学习判别分类器的方法.方法是基于一个目标函数,在观测样本和他们预

菜鸟要超神·2017-02-18 16:32

生成式对抗网络（Generative Adversarial Nets）

一、简介2016年12月5日，在西班牙巴塞罗那举办的NIPS会议上，本文的作者也就是IanGoodfellow，依旧以他的代表作-生成式对抗网络-为主题进行了演讲。该网络自2014年问世以来，一直受到机器学习领域的高度关注，说这是近几年最棒的想法也不为过。论文提出了一种对抗式的估计模型生成方法，该方法不同于其他方法的地方在于训练生成模型G的同时，并训练一个判别模型D。D用来判别数据是来自真实采样还

弓如霹雳弦惊·2017-02-16 16:29

生成式对抗网络（Generative Adversarial Nets）

一、简介2016年12月5日，在西班牙巴塞罗那举办的NIPS会议上，本文的作者也就是IanGoodfellow，依旧以他的代表作-生成式对抗网络-为主题进行了演讲。该网络自2014年问世以来，一直受到机器学习领域的高度关注，说这是近几年最棒的想法也不为过。论文提出了一种对抗式的估计模型生成方法，该方法不同于其他方法的地方在于训练生成模型G的同时，并训练一个判别模型D。D用来判别数据是来自真实采样还

弓如霹雳弦惊·2017-02-16 16:29

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

Photo-RealisticSingleImageSuper-ResolutionUsingaGenerativeAdversarialNetworkLedigC,TheisL,HuszarF,etal.Photo-RealisticSingleImageSuper-ResolutionUsingaGenerativeAdversarialNetwork[J].2016.Abstract尽管采用

菜鸟要超神·2017-02-15 10:05

生成对抗网络（GAN：Generative Adversarial Networks）

论文：Goodfellow,Ian,etal.“Generativeadversarialnets.”AdvancesinNeuralInformationProcessingSystems.2014.GAN启发自博弈论中的二人零和博弈，由[Goodfellowetal,NIPS2014]开创性地提出，包含一个生成模型（generativemodelG）和一个判别模型（discriminative

junmuzi·2017-02-05 09:23

Generative Adversarial Networks(GANs) NIPS 2016 tutorial - Insights

Pic1生成模型类别密度（概率）估计：在不了解时间概率分布的情况下，先假设随机分布，然后通过数据观测来调整确定真正的概率密度（or应该理解为无限趋近于真正的概率密度）。样本生成：利用已有的训练样本数据，通过训练后的模型生成类似的“样本”。构建生成模型最大似然估计：给定了观察数据以评估模型参数（估计出分布模型）的方法。当今大部分生成模型都需要用到马尔科夫链，GAN是目前唯一一种从数据观测直接一步到位

Leviosa·2017-01-20 12:02

[译] Precomputed Real-Time Texture Synthesis with Markovian Generative Adversarial Networks

题目：使用马尔可夫生成对抗网络进行预先计算的实时纹理合成文章地址：《PrecomputedReal-TimeTextureSynthesiswithMarkovianGenerativeAdversarialNetworks》arXiv.1604.04382(转载请注明出处：http://www.jianshu.com/p/6054799d7bb1，谢谢！)Abstract本论文提出了马尔可夫生成

zhwhong·2017-01-15 21:54

生成对抗网络的tensorflow实现

生成对抗网络的tensorflow实现原文地址：http://blog.evjang.com/2016/06/generative-adversarial-nets-in.html这是关于使用tensorflow

xiaohu2022·2017-01-08 15:26

Generative Adversarial Networks(Section 3)

3GANs如何工作？我们现在已经看过了几种其他的生成式模型，并解释了GANs与他们的不同原理。但是GANs是如何工作的呢？3.1GAN框架GANs的基本思想是设置两个参与人的博弈。其中一个是生成器(generator)。生成器产生来自和训练样本一样的分布的样本。另外一个判别器(discriminator)。判别器检查这些样本来确定他们是真实的还是伪造的。判别器使用传统的监督学习技术进行训练，将输入

朱小虎XiaohuZhu·2017-01-05 14:23

Generative Adversarial Networks(Section 2)

2生成式模型如何工作？比较GANs和其他生成式模型有何不同？我们现在了解了生成式模型能做什么以及为何有必要来构建生成式模型。现在我们要问：生成式模型如何工作的？尤其是，相比于其他的生成式模型，GANs如何工作？2.1最大似然估计(Maximumlikelihoodestimation)为了简化讨论，我们先来看看通过最大似然原理进行的生成式模型。不是所有的生成式模型采用最大似然。一些生成式模型默认是

朱小虎XiaohuZhu·2017-01-04 14:42

Generative Adversarial Networks - Related work

基于深度学习的图像生成模型GAN的发展历史梳理。重要文献：1.《GenerativeAdversarialNets》2.《ConditionalGenerativeAdversarialNets》3.《DeepGenerativeImageModelsusingaLaplacianPyramidofAdversarialNetworks》4.《UnsupervisedRepresentationL

Leviosa·2016-12-28 21:15

Generative adversarial nets 论文笔记

发现了一个很好的关于此论文的笔记:http://blog.csdn.net/shenxiaolu1984/article/details/522159831.首先，判别模型和生成模型的概念（discriminativemodelvs.generativemodel）不过本文的判别和生成并不是这个意思！！！ref：http://blog.csdn.net/Fishmemory/article/det

LuckyDeLemon·2016-12-16 07:09

生成式对抗网络GAN研究进展（五）——Deep Convolutional Generative Adversarial Nerworks，DCGAN

【前言】本文首先介绍生成式模型，然后着重梳理生成式模型（GenerativeModels）中生成对抗网络（GenerativeAdversarialNetwork）的研究与发展。作者按照GAN主干论文、GAN应用性论文、GAN相关论文分类整理了45篇近两年的论文，着重梳理了主干论文之间的联系与区别，揭示生成式对抗网络的研究脉络。本文涉及的论文有：GoodfellowIan,Pouget-A

Solomon1588·2016-09-18 00:00

生成模型（Generative）和判别模型（Discriminative）

生成模型（Generative）和判别模型（Discriminative）引言最近看文章《Asurveyofappearancemodelsinvisualobjecttracking》（XiLi，ACMTIST

realkate1·2016-07-19 11:00

判别模型(Discriminative model)和生成模型(Generative model)

在前面的章节中，我们介绍过SVM、逻辑回归，这两者都属于监督学习中的一种，即训练数据的标签是给定的，我们希望通过对训练数据进行学习，这样对于给定的新样本数据，我们可以对它的类别标签进行预测。实际上，监督学习又可以分为两类，判别模型（Discriminativemodel）和生成模型（generativemodel），前面提到的SVM和逻辑回归都属于判别模型的一种。那么判别模型和生成模型有何区别？1

Fishmemory·2016-06-19 09:58

Discriminative, Generative and Imitative Learning

1.GenerativeModel（生成模型） 1）生成模型学习联合概率分布p(x,y)；给定一个y，则可以计算（“生成”）其相应的X。 2）可通过Baye规则转换为p(y|x)，然后进行分类。p(x,y)也可用于其它目的，如可用p(x,y)产生可能的(x,y)对。 3）为了分类一个信号，要分析数据是如何生成的。它的问题是：基于我的生成假设，哪个类最有可能产生此信号。 4）把一段

MyArrow·2016-05-25 13:00

Generative Modeling of Convolutional Neural Networks，生成式CNNs

生成式CNNs标签：CNN，GenerativeModeling，MachineLearning，MCMC工作思路Step1:找到切入点，了解生成式模型，及其与CNNs的关系对照论文原文与PPT内容，了解总体框架;找到keyword,以此为突破点；生成式模型在CNNs中的应用。Step2:阐述生成式模型的背景、物理含义、优缺点，解决问题的一般方法。step3:重点理解图像的概率分布采样方法。对马尔

Solomon1558·2016-05-03 23:00

Generative Modeling of Convolutional Neural Networks，生成式CNNs

生成式CNNs标签：CNN，GenerativeModeling，MachineLearning，MCMC工作思路Step1:找到切入点，了解生成式模型，及其与CNNs的关系对照论文原文与PPT内容，了解总体框架;找到keyword,以此为突破点；生成式模型在CNNs中的应用。Step2:阐述生成式模型的背景、物理含义、优缺点，解决问题的一般方法。step3:重点理解图像的概率分布采样方法。对马尔

Solomon1558·2016-05-03 23:00

MachineLearning—Generative Learning algorithms

这一节我们介绍机器学习课程当中的GenerativeLearningalgorithms生成学习算法，此算法与我们之前学习的逻辑回归等算法不太一样，它主要利用了贝叶斯公式为核心，也因此随后我们将引入朴素贝叶斯，贝叶斯网络等等算法，这些算法都在大数据时代大放异彩，体现出了贝叶斯思想的强大功能，伯克利大学的AllenB.Downey教授专门有一本书叫《ThinkBayes》挺不错的，值得好好研究一

qq_14959801·2016-04-27 22:00

生成学习算法（Generative Learning Algorithms）

今天我们来聊一聊生成学习算法，内容主要包括生成模型和判别模型的比较，以及生成学习算法的一个例子——高斯判别分析（GaussianDiscriminantAnalysis,GDA）。1.生成模型和判别模型前面我们讨论的学习算法（线性回归、逻辑回归、softmax等）都有一个共同点，那就是我们都在想方设法求出p(y|x;θ)，也就是说，给定特征x，我们直接求出y的条件概率作为模型的输出，直接作出判断。

isMarvellous·2016-04-22 19:00

机器学习算法笔记2_1:生成学习算法(Generative Learning algorithms)

我们之前学习的算法都是基于p(y|x;θ),他的思想是找出找出一个决策边界来将两类分开，而生成算法是先对两个类别分别建模，为了将样本分开，将样本代入两个模型，看样本与哪个类别更匹配。这种试图直接从输入x映射到类别标签{0,1}的算法被称为判别学习算法；而通过计算p(x|y)（和p(y)）来得到模型的算法被称为生成学习算法通过贝叶斯函数得到p(y|x)=p(x|y)p(y)p(x),argmaxyp

BUPT_WX·2016-04-21 14:07

机器学习算法笔记2_1:生成学习算法(Generative Learning algorithms)

我们之前学习的算法都是基于p(y|x;θ),他的思想是找出找出一个决策边界来将两类分开，而生成算法是先对两个类别分别建模，为了将样本分开，将样本代入两个模型，看样本与哪个类别更匹配。这种试图直接从输入x映射到类别标签{0,1}的算法被称为判别学习算法；而通过计算p(x|y)（和p(y)）来得到模型的算法被称为生成学习算法通过贝叶斯函数得到p(y|x)=p(x|y)p(y)p(x),argmaxyp

BUPT_WX·2016-04-21 14:00

Generative learning algorithm

本讲大纲：1.生成学习算法（Generativelearningalgorithm）2.高斯判别分析（GDA，GaussianDiscriminantAnalysis）3.朴素贝叶斯（NaiveBayes）4.拉普拉斯平滑（Laplacesmoothing）1.生成学习算法判别学习算法（discriminativelearningalgorithm）:直接学习p(y|x)（比如说logistic回

qq_15047393·2016-03-28 10:00

推荐频道

generative

适用于初学者的生成对抗网络教程

A generative vision model that trains with high data efficiency and breaks text-based CAPTCHAs

迁移学习-PixelDA-Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks

pytorch-generative-model-collections

在TensorFlow中对比两大生成模型：VAE与GAN

人脸识别"Disentangled Representation Learning GAN for Pose-Invariant Face Recognition"

判别式模型（discriminative model） 和生成式模型（generative model）的区别

[cvpr2017]Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks

《Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network》阅读笔记

Generative Adversarial Text to Image Synthesis --- 根据文字描述生成对应的图片

生成对抗网络学习笔记5----DCGAN（unsupervised representation learning with deep convolutional generative adv）的实现

生成对抗网络学习笔记4----GAN（Generative Adversarial Nets）的实现

学习笔记：生成对抗网络（Generative Adversarial Nets）(附代码)

生成对抗网络学习笔记3----论文unsupervised representation learning with deep convolutional generative adversarial

生成对抗网络学习笔记2----GANs（Generative Adversarial Nets）总结

Generative Adversarial Nets (GAN)解读

生成对抗网络学习笔记1----论文Generative Adversarial Nets

论文笔记——UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS

生成模型(generative model)与判别模型(discriminate)的联系及区别

GANs学习系列(2)：cGANs:Conditional Generative Adversarial Networks

论文引介 | NMT with Conditional Sequence Generative Adversarial Nets

Semi-Supervised Learning with Generative Adversarial Networks

Improving Neural Machine Translation with Conditional Sequence Generative Adversarial Nets

论文引介 | StackGAN: Stacked Generative Adversarial Networks

【Learning Notes】生成式对抗网络（Generative Adversarial Networks，GAN）

Coupled Generative Adversarial Networks 阅读笔记

生成式模型（generative） vs 判别式模型（discriminative）

挖坑:UNSUPERVISED AND SEMI-SUPERVISED LEARNING WITH CATEGORICAL GENERATIVE ADVERSARIAL NETWORKS

生成式对抗网络（Generative Adversarial Nets）

生成式对抗网络（Generative Adversarial Nets）

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network

生成对抗网络（GAN：Generative Adversarial Networks）

Generative Adversarial Networks(GANs) NIPS 2016 tutorial - Insights

[译] Precomputed Real-Time Texture Synthesis with Markovian Generative Adversarial Networks

生成对抗网络的tensorflow实现

Generative Adversarial Networks(Section 3)

Generative Adversarial Networks(Section 2)

Generative Adversarial Networks - Related work

Generative adversarial nets 论文笔记

生成式对抗网络GAN研究进展（五）——Deep Convolutional Generative Adversarial Nerworks，DCGAN

生成模型（Generative）和判别模型（Discriminative）

判别模型(Discriminative model)和生成模型(Generative model)

Discriminative, Generative and Imitative Learning

Generative Modeling of Convolutional Neural Networks，生成式CNNs

Generative Modeling of Convolutional Neural Networks，生成式CNNs

MachineLearning—Generative Learning algorithms

生成学习算法（Generative Learning Algorithms）

机器学习算法笔记2_1:生成学习算法(Generative Learning algorithms)

机器学习算法笔记2_1:生成学习算法(Generative Learning algorithms)

Generative learning algorithm

判别式模型（discriminative model）和生成式模型（generative model）的区别