我正在设计一个模仿散文的系统。它会读一堆散文，然后模仿它。它主要是为了好玩，所以模仿的散文不需要太有意义，但我想使它尽可能好，用最少的努力。我的第一个想法是用我的例子散文来训练一个分类前馈神经网络，它把它的输入分类为训练数据的一部分或不部分。然后，我想以某种方式反演神经网络，寻找新的随机输入，这些输入也被训练的网络归类为
浏览 3提问于2017-02-27得票数 0
回答已采纳
我正致力于在PyTorch 1.5.0中实现一个生成对抗网络(GAN)。
为了计算生成器的损失，我计算了鉴别器错误分类全真小批次和全(生成器生成的)假小批次的负概率。计算和反向传播作为所生成的假数据的错误分类的函数的部分损失似乎是直接的，因为在该损失项的反向传播期间，反向路径通过首先产生假数据的生成器<
浏览 34提问于2020-06-06得票数 1
回答已采纳
1回答
我目前正在用我自己的神经网络库从零开始编写一个生成的对抗性网络(GAN)，以生成MNIST手写数字。鉴别器看起来很好，但是随着时间的推移，生成器并没有真正学到任何东西。也许我的训练方法是错的。所以我的问题是，如果我真的可以这样训练我的发电机。
首先，我用实数和输出1训练我的鉴别器，然后用生成器
浏览 6提问于2022-06-22得票数 0
回答已采纳
2回答
我正在尝试理解GAN是如何训练的。我相信我理解对抗训练的过程。我似乎找不到的信息是: GANs在训练过程中是否使用类标签？我目前的理解是否定的--因为鉴别器只是试图区分真实或虚假的图像，而生成器试图创建真实的图像(但不是任何特定类别的图像)。
如果是这样，那么研究人员建议如何使用鉴别器网络进行分类任务？该网络将只能在真实或虚假图
浏览 4提问于2017-07-05得票数 0
我是PyTorch和对抗性网络的新手。我试图从PyTorch文档和以前在PyTorch和StackOverflow论坛上的讨论中寻找答案，但我找不到任何有用的答案。我试着用发电机和鉴频器训练GAN，但我不明白整个过程是否有效。就我而言，我应该先训练生成器，然后更新鉴别器的权重(类似于)。我更新这两个模型的权重的代码是：
# co
浏览 2提问于2020-06-01得票数 1
回答已采纳
3回答
我想在喀拉斯训练一名干将。我的最终目标已经开始，但我要从最简单的一个开始。了解如何正确地冻结重量在这里是必要的，这也是我正在努力解决的问题。
在发电机训练期间，可能不会更新鉴别器的权重。我想冻结和解冻的甄别器交替用于训练生成器和鉴别器。问题是，在鉴别器模型上甚至在其权重上将可训练参数设置为false并不能停止模型的训练(而权值要更新)。另一方面，在设置可训
浏览 1提问于2017-07-17得票数 8
回答已采纳
GANs (生成对抗性网络)仅仅是对图像有好处，还是也可以用于文本？UPD -引用了GAN发明家伊恩·古德费罗的话。(2016年年)来源它不是一个根本上有缺陷的想法。至少可以做以下一件事.(2017年) 来源
浏览 0提问于2017-11-18得票数 17
回答已采纳
2回答
假设您有一个相对相似的图像数据集，对于每个图像，图像的前半部分是输入，下半部分是模型的输出。换句话说，你想教模型一个图像的前半部分，并让它生成下半个图像。哪个框架最适合这个问题？
浏览 0提问于2020-05-02得票数 0
回答已采纳
2回答
如何利用深度学习生成图像
、、、
利用CIFAR-10数据集进行深度学习的分类器有很多例子。它的工作方式是，训练成千上万的猫，狗，飞机等图像，然后分类为狗，平面或猫。但我想做相反的事。我想训练狗，猫，飞机，它应该输出图像。这是我的主意
将cat的相似/清晰图像分组为值1，不太相似/模糊图像分组为1.1，等等。同样，将狗的相似图像分组为值2，将相似图像分组为2.1，等等。对所有类型的图像都做同样的操作。and so
浏览 0提问于2017-07-19得票数 5
我正在尝试修复损坏的文本(下面的图像)，以便可以对图像执行OCR。我该如何修复下面的文本？我已经尝试过膨胀，腐蚀，形态闭合，以及使用轮廓之间的距离。所有这些似乎都不起作用。损坏的文本：
尝试的解决方案(无效果)：import pytesseract
img = cv2.imread
浏览 0提问于2019-02-14得票数 12
我使用DCGAN ( Deep Convolution GAN )生成图像。但是，我想在嵌入式设备上运行它，比如Intel Movidius或Jetson。但是，在浏览了几篇互联网文章时，我知道嵌入式设备只用于深入学习的情况下进行推理。GAN基本上是一个生成网络。怎么能有推论呢？对于GAN来说，推理和训练是否是一回事？它(GAN)能在嵌入式设备上运行吗?内存是一个真正的问题吗？
浏览 0提问于2018-08-27得票数 2
1回答
Keras中的GAN优化器设置
、、、、
我正在研究一个生成性的对抗性网络，在Keras中实现。我有我的生成器模型G和鉴别器D，它们都是由两个函数创建的，然后使用这两个模型创建GAN模型，就像代码中的这个简单示例：
gopt=Adam(lr=0.0001, beta_1=0.9, beta_2=0.999GAN_model.compile(loss=["mae", "binary_crossentropy"], loss_weights
浏览 0提问于2019-04-12得票数 1
1回答
我不是在寻找一大块代码作为解决方案，只是需要实现的模型的名称，或者一些链接会很好。我的问题是，我有一个由数百张128x128图像(抽象画)组成的数据集-我想简单地使用神经网络生成更多与这些图像相似的图像(网络最好不需要输入，可能除了随机值？)，但我不清楚我将如何进行。我想过但还没有试过的一种解决方案是制作一个LSTM神经网络，将绘画转化为像素值的一维阵列，并将这些阵列提供给网络(LSTM网络非常擅长
浏览 4提问于2017-03-28得票数 0
我们知道，生成对抗网络(GAN)可以产生与真实数据相似的数据。一般来说，生成器需要一个随机变量z作为输入，并生成一个表示数据x的向量。当我有新数据时，我不知道如何计算P_G(x)的概率，我想知道GAN生成它的概率？
浏览 12提问于2018-02-11得票数 0
回答已采纳
1回答
我有一个模型，它本质上是一个辅助条件GAN；模型的第一部分是生成器，最后一部分是鉴别器。鉴别器进行多类(k=10)预测。在的工作之后(pp3是一个有用的图，但请注意，为了这个问题的目的，我忽略了网络结构的修改)，我通过生成合成输入和类标签(“内部循环”)来训练整个模型进行T=32迭代。但是，我需要通过内部循环将鉴别器的错误反向传播到Generator。
我如何使用Keras实现这一点？可以在Keras中进行循环展开吗
浏览 1提问于2020-03-16得票数 1
1回答
我对神经网络不是很熟悉，但是，我想我把反向传播的概念理解为从输出层的错误开始。例如，输出层中有3个神经元，它们各自的值最终是：我们希望获得价值因此，我们可以计算出两者之间的误差向量：
[-1, +0.5, -0.3] (Not necessarily然而，在GAN的发生器中，在我看来，输出层似乎有一堆神经元(代表我们想要生成的实体的大小)，但是误差仅基于鉴别器错误分类的图像
浏览 0提问于2018-05-23得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
云直播
对象存储
实时音视频活动推荐
腾讯云开发者
