系列文章
[Day11]：GAN在訓練可能會遇到的問題…
前言 昨天帶各位實作了GAN的應用，實際帶各位操作一次不知道是否有加深各位對GAN的印象了。希望各位能藉由實作更理解GAN的原理以及訓練方式。不過如前幾天所說，...
[Day12]：DCGAN原理介紹
前言 昨天介紹了一些在生成對抗網路 (GAN)會常遇到的問題，以及可能的解決辦法，要提升GAN的訓練穩定性也有許多方法，例如使用WGAN等。那也因為本系列是圖像...
[Day13]：用CNN來建立DCGAN模型吧
前言 昨天介紹了DCGAN，這個GAN主要是使用卷積層來當作模型的主架構，今天會實際帶各位實作一次DCGAN，並且分析模型的訓練成果。因為資料處理的部分都寫過了...
[Day14]：WGAN原理介紹
[Day14]：WGAN原理介紹 前言 昨天介紹了DCGAN的實作，在DCGAN的實作中個人經驗是相當容易出現梯度消失等問題。在解決訓練不平衡與梯度消失等問題時...
[Day15]：想讓訓練更穩定？使用WGAN吧
前言 昨天介紹了WGAN的原理，雖然在昨天看到各種公式可能會被嚇到，其中其實也還有許多細節可以介紹。雖然數學公式繁雜，不過建立WGAN模型卻很簡單。接下來就來一...
[Day16]：BGAN原理介紹
前言 接下來登場的GAN模型同樣也是改變目標函數的Boundary-seeking Generative Adversarial Networks (BGAN)...
[Day17]：想提升生成的多樣性？使用BGAN吧
前言 昨天費盡了九牛二虎之力帶各位推導出BGAN的生成器損失函數，今天就要來實作BGAN了。放心，損失函數定一到了程式環節一樣簡單。 建立BGAN模型 WGAN...
[Day18]：CGAN原理介紹
前言 前幾天都是介紹單純雜訊輸入，然後生成圖片，這麼做的做法會使GAN生成的結果變得不可控，我們無法依據原本的GAN來生成指定的數字圖片。為了要解決這個問題，2...
[Day19]：想讓生成器乖乖聽話生成指定圖片？使用CGAN吧
前言 今天要來介紹CGAN的實作部分，CGAN與之前的GANs其最大差異就是可以控制生成內容，這邊先給各位看看在訓練完成後，指定CGAN生成全部都是3的圖片，可...
[Day20]：Pix2Pix 原理介紹
前言 昨天帶各位實作了CGAN，這是基於條件式的生成對抗網路。今天要來介紹的是在2016年底提出的Pix2Pix模型，他雖然名字裡面沒有GAN，但模型架構卻也包...