作者归档 | Jason Brownlee

生成对抗网络，简称 GAN，是一种用于训练生成模型进行图像合成的深度学习架构。GAN 架构相对直接，尽管对于初学者来说，一个仍然具有挑战性的方面是 GAN 损失函数的主题。主要原因是该架构涉及同时训练两个 [...]

Frechet Inception Distance 分数，简称 FID，是一种计算真实图像和生成图像的特征向量之间距离的指标。该分数总结了这两组图像在计算机视觉特征统计方面的相似程度，这些特征是使用 Inception v3 模型计算的 [...]

生成对抗网络，简称 GAN，是一种用于训练生成器模型以生成合成图像的深度学习神经网络架构。生成模型的一个问题是，没有客观的方法来评估生成图像的质量。因此，在 [...] 期间定期生成和保存图像是很常见的。

生成对抗网络，简称 GAN，是开发生成模型的一种有效的深度学习方法。与其他通过损失函数训练直至收敛的深度学习神经网络模型不同，GAN 生成器模型通过第二个模型（称为判别器）进行训练，该模型学习将图像分类为真实或生成的。 [...]

生成对抗网络，简称 GAN，可能是最有效的图像合成生成模型。尽管如此，它们通常仅限于生成小型图像，并且训练过程仍然很脆弱，依赖于特定的增强和超参数才能取得良好效果。BigGAN 是一种整合一系列最新最佳 [...] 的方法。

生成对抗网络，简称 GAN，最初是在 2014 年 Ian Goodfellow 等人题为“Generative Adversarial Networks”的论文中提出的。自那时以来，GAN 得到了广泛关注，因为它们可能是生成大型、高质量合成图像的最有效技术之一。因此，许多书籍 [...]

生成对抗网络，简称 GAN，在生成大型高质量图像方面非常有效。为了训练更有效的生成器模型，大部分改进都集中在判别器模型上，尽管对改进生成器模型的努力较少。Style Generative Adversarial Network，简称 StyleGAN，是 [...] 的一个扩展。

生成对抗网络，简称 GAN，在生成高质量合成图像方面非常有效。GAN 的一个限制是它们只能生成相对较小的图像，例如 64×64 像素。Progressive Growing GAN 是 GAN 训练过程的一个扩展，它涉及训练 GAN 来生成非常小的图像，例如 [...]