CPU+GPU异构集群搭建的总结详解
发布时间：2022-07-09 10:43:56 所属栏目：大数据 来源：互联网
导读：关于生成式对抗学习（GeneraTIve Adversarial Network， GAN）相关文章的阅读整理以及资源汇总。 文章： GeneraTIve Adversarial Nets （2014）［paper］［code］ Ian Goodfellow第一篇提及生成式对抗学习的文章，开创性的工作。 提出了通过对抗网络来估计生
|
关于生成式对抗学习（GeneraTIve Adversarial Network， GAN）相关文章的阅读整理以及资源汇总。 文章： GeneraTIve Adversarial Nets （2014）［paper］［code］ Ian Goodfellow第一篇提及生成式对抗学习的文章，开创性的工作。 – 提出了通过对抗网络来估计生成模型。 – 理论阐述了模型的损失函数及其训练方法。 代码已经集成到Theano等机器学习框架中。 Unsupervised RepresentaTIon Learning with Deep ConvoluTIonal Generative Adversarial Networks（2015）［paper］［code］ 提出了生成式对抗网络（GANs）与卷积神经网络（CNNs）的结合的深度卷积生成对抗网络（DCGANs）。 将训练好的的判别模型用于图像分类，和其他无监督方法的结果具有可比较性。 Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network（2016）［paper］ ［code］ 利用GAN来完成低分辨率图像的高清化。 GAN在图片高清化问题上的成功应用，清晰明了，效果显著，很有参考性。 StackGAN:Text to Photo realistic Image Synthesis with Stacked Generative Adversarial Network（2016）［paper］［code］ GAN用于基于文字描述的图片生成。 两个GAN，GAN-I 用于生成6464的低分辨率图像（前人已有工作），GAN-II 基于文字和低分辨率图像生成256256高分辨细节更多的图片。 看起来很像一个GAN文字生成图片加上一个GAN图片高清化，这是两个已经独立研究的工作，但是作者解释了里面的不同。GAN-II里面也融合了文字描述，有额外的信息输入，不像图片高清化里没有额外信息。 NIPS 2016 Tutorial： Generative Adversarial Networks （2016）［paper］ 大神Goodfellow在NIPS2016 Tutorial之后的总结以及会上提到重要问题的回答。总结性很强，内容很多（57页），干货很多。 （编辑：阳江站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
