黄海广 副教授 2023年06月 ## 本章目录 01 生成式深度学习简介 02 GAN的理论与实现模型 03 GAN的应用 04 GAN的思考与前景 ### 1. 生成式深度学习简介 01 生成式深度学习简介 02 GAN的理论与实现模型 03 GAN的应用 04 GAN的思考与前景 ### 1. 生成式深度学习简介 ## • 深度学习中常见生成式模型 • 自编码 z=f(x) $ • 变分自编码 (VAE) • 其隐变量z是一个正态分布的采样 • 生成式对抗网络（GAN） • 条件生成式对抗网络（CGAN） 在生成器和判别器中添加某一标签信息 • 深度卷积生成式对抗网络 (DCGAN) • 判别器和生成器都使用了卷积神经网络（CNN）来替代GAN中的多层感知机 - 为了使整个网络可微，拿掉了CNN中的池化层 • 将全连接层以全局池化层替代以减轻计算量。 4f1ce7a8c75d8ac2f1ae224585/p7_1.jpg) ### 2. GAN的理论与实现模型 01 生成式深度学习简介 02 GAN的理论与实现模型 03 GAN 的应用 04 GAN的思考与前景 ### 2. GAN的理论与实现模型 ## 概念简介 ## 提出背景 GAN (Generative Adversarial Networks)，中文翻译为生成式对抗网络，是

## PyTorch ## 深度学习：GAN 主讲人：龙良曲 ### “What I cannot create, I do not understand.” —Richard Feynman ## Our Goal: $ p(x) $  FID10.9_IS241.4_TRUNC0.760 FID24.4\_IS274.5\_TRUNC0.08 ## Having Fun https://reiinakano.github.io/gan-playground/ https://affinelayer.com/pixsrv/ https://www.youtube.com/watch?v=9reHvktowLY&feature=youtu 4_2.jpg) GT  GAN  ## The Last thing

12.5 VAE 实战 12.6 参考文献 第13章 生成对抗网络 13.1 博弈学习实例 13.2 GAN 原理 13.3 DCGAN 实战 13.4 GAN 变种 13.5 纳什均衡 13.6 GAN 训练难题 13.7 WGAN 原理 13.8 WGAN-GP 实战 13.9 参考文献 第 14 章 Generation) 是指通过学习真实图片的分布，并从学习到的分布中采样而获得逼真度较高的生成图片。目前常见的生成模型有 VAE 系列、GAN 系列等。其中 GAN 系列算法近年来取得了巨大的进展，最新 GAN 模型产生的图片效果达到了肉眼难辨真伪的程度，如图 1.17 为某 GAN 模型的生成图片。 除了上述应用，深度学习也在其它方向上取得了不俗的效果，比如艺术风格迁移(图1.18)、超分辨率、AI换脸 9.7.4 生成数据 通过生成模型在原有数据上进行训练，学习到真实数据的分布，从而利用生成模型获得新的样本，这种方式也可以在一定程度上提升网络性能。如通过条件生成对抗网络(Conditional GAN,简称 CGAN)可以生成带标签的样本数据，如图 9.36 所示。 ![Image](/uploads/documents/a/7/7/d/a77d1afa688ff8d5eef8fcc2b1d8a235/p235_1

Minority Oversampling Technique $ ^{16} $ (SMOTE) and Generative Adversarial Network $ ^{17} $ (GAN) which can generate synthetic data for images. While SMOTE leverages statistical models for sample sophisticated approach for sample generation. Let's learn about GAN, which is one such approach that leverages deep learning for this purpose. A GAN is composed of two neural networks: a generator network and 3cb9d0ee0ee8057c5fabe/p37_1.jpg) Figure 3-15: Architecture of a Generative Adversarial Network (GAN). It has three phases: discriminator training, generator training and the synthetic sample generation

10/24/2019 ## I mage feature vector biggan-deep-512 Published by: DeepMind Updated: 10/24/2019 S3GAN trainend on ImageNet with 20% labels. MobileNet V1 ImageNet (ILSVRC-201... Visual representation examples. Imagenet (ILSVRC-2012-CLS) classification with MobileNet V1 (depth multiplier 0.25). compare_gan... Published by: Google Updated: 10/24/2019 imagenet/mobilenet_v1_025_224... Published by: Google 85). ## I mage generator Other ImageNet (ILSVRC-201... Other ImageNet (ILSVRC-201... compare_gan/s3gan_20_128x128 Published by: Google Updated: 10/24/2019 Other | CelebA HQ ## I mage feature vector

learns much faster. #### Predictability Minimization V.S. GAN 92年的时候我提出了Predictability Minimization，它是 $ #¥%&@*##@¥&¥# $ 请问你如何看待它和GAN之间的相似之处？ . This is an idea that was originally proposed by Ian Goodfellow

avg_acc = np.array(avg_acc).mean() print('>>test:', avg_acc) ## 下一课时 ## GAN ## Thank You

[Image](/uploads/documents/c/3/0/c/c30c137bd581cbe5e35e46bb0d027e3c/p6_7.jpg) Enlarge your Dataset ## GAN  ## ☀️ ☁️ ☁️ train_loader

48c77d380b9345c2dae434d12fe818/p14_2.jpg) ## Adversarial AutoEncoders ■ Give more details after GAN  ## Another Approach:

com/in/in/n/  Big GAN By DeepMind BigGAN image generator trained on 512x512 ImageNet. ☆ ![Image](/uploads/documents/