CPU+GPU异构集群搭建的总结说明

来源: 网络 日期:2021-02-13

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。

内容主要有以下几个方面:

– Why study generative modeling?

– How do generative models work?

– How do GANs work?

– Tips and Tricks

– Research Frontiers

    A+
声明:本文转载自其它媒体,转载目的在于传递更多信息,并不代表赞同其观点和对其真实性负责。