小册描述
目录
- 3.1 自编码器简介
- 3.1.1 构建自编码器
- 3.1.2 构建编码器
- 3.1.3 构建解码器
- 3.1.4 定义损失函数及优化器
- 3.1.5 分析自编码器
- 3.2 变分自编码器简介
- 3.2.1 变分自编码器的直观理解
- 3.2.2 变分自编码器的原理
- 3.3 构建变分自编码器
- 3.3.1 构建编码器
- 3.3.2 构建解码器
- 3.3.3 损失函数
- 3.3.4 分析变分自编码器
- 3.4 使用变分自编码器生成面部图像
- 3.4.1 编码器
- 3.4.2 解码器
- 3.4.3 进一步分析变分自编码器
- 3.4.4 生成新头像
- 4.1 GAN模型简介
- 4.1.1 GAN的直观理解
- 4.1.2 GAN的原理
- 4.1.3 GAN的训练过程
- 4.2 用GAN从零开始生成图像
- 4.2.1 判别器
- 4.2.2 生成器
- 4.2.3 损失函数
- 4.2.4 训练模型
- 4.2.5 可视化结果
- 4.3 GAN面临的问题
- 4.3.1 损失振荡
- 4.3.2 模型坍塌的简单实例
- 4.3.3 GAN模型坍塌的原因
- 4.3.4 避免GAN模型坍塌的方法
- 4.4 WGAN
- 4.4.1 改进方向和效果
- 4.4.2 Wasserstein距离的优越性
- 4.4.3 WGAN的损失函数代码
- 4.4.4 WGAN的其他核心代码
- 4.5 WGAN-GP
- 4.5.1 权重裁剪的隐患
- 4.5.2 梯度惩罚损失
- 4.5.3 WGAN-GP的训练过程
- 4.5.4 WGAN-GP的损失函数代码