生成對抗網路gan及dcgan實驗
3學習掌握生成對抗網路（gan）和深度卷積生成對抗網路（dcgan）和biggan基本原理；利用dcgan和biggan進行生成。
通過pc上位機連線伺服器，登陸******ai平台，熟悉並利用dcgan演算法進行mnist數字手寫體影象生成。在此基礎上，通過查詢資料，分析biggan網路，分別使用dcgan和biggan兩種網路進行影象生成和對比。
pc，pycharm，tensorflow
原始資料集的蒐集
首先我們需要用爬蟲爬取大量的動漫，原文是在這個**：中爬取的。我嘗試的時候，發現在我的網路環境下無法訪問這個**，於是我就寫了乙個簡單的爬蟲爬了另外乙個著名的動漫相簿**：konachan.net - konachan.com ***** wall*****s。
頭像擷取
訓練結果第1
個epoch
跑完（只有一點點輪廓）：
個epoch
之後的結果：
個epoch：
200個
[1]解決不收斂的問題。所有的理論都認為 gan 應該在納什均衡上有卓越的表現，但梯度下降只有在凸函式的情況下才能保證實現納什均衡。當博弈雙方都由神經網路表示時，在沒有實際達到均衡的情況下，讓它們永遠保持對自己策略的調整是可能的。
[2]難以訓練(目標函式難構建)。gan模型被定義為極小極大問題，沒有損失函式，在訓練過程中很難區分是否正在取得進展。gan的學習過程可能發生崩潰問題，生成器開始退化，會生成同樣的樣本點，無法繼續學習。當生成模型崩潰時，判別模型也會對相似的樣本點指向相似的方向，訓練無法繼續。
[3]判別器d效果越好，生成器梯度消失越嚴重，最後難訓練。
gan網路還有很大的發展前景，是人工智慧的重要發展方向。
生成對抗網路（三）DCGAN
最近在研究dcgan,全稱為deep convolutional generative adversarial networks，是在gan的基礎上加入卷積層，使得模型在影象的生成上能夠穩定而不是簡單地對樣本輸入產生記憶。gan採用的是全連線神經網路，訓練時不穩定，容易崩潰，而這篇 針對原始gan進...
GAN 生成對抗網路
原理 假設我們有兩個網路 乙個生g generator 乙個判別d discriminator g是乙個生成的的網路，它接受乙個隨機的雜訊z，通過這個雜訊生成，記做g z d是乙個判別網路，判斷一張是不是 真實的 它的輸入引數是x，x代表一張的。輸出d x 代表x為真實的概率，如果為1，就代表100...
生成對抗網路 GAN
原文 generative adversarial networks 模型組成 核心公式 演算法圖示化描述 全域性最優點 pg pdata 效果與對比展望 ming maxdv d,g exp data x logd x exp x x log 1 d g z 分析 上方為 gan 網路的核心演算法...