问题标签 [generative-adversarial-network]
For questions regarding programming in ECMAScript (JavaScript/JS) and its various dialects/implementations (excluding ActionScript). Note JavaScript is NOT the same as Java! Please include all relevant tags on your question; e.g., [node.js], [jquery], [json], [reactjs], [angular], [ember.js], [vue.js], [typescript], [svelte], etc.
python - DCGAN Tensorflow 代码不会在 CelebA 数据集上生成人脸
我编写了以下代码，但没有在 celebA 数据集上生成人脸。我认为它应该在每个时期的最后一次迭代中创建某种面孔（即使非常模糊）。但是，它只会创建没有可见面孔的嘈杂方块。我对 GAN 很陌生，我不知道如何调试这个深度卷积 GAN (DCGAN) 以找出问题所在。
我的代码可能更容易在这里看到： https ://pastebin.com/c4QUqxJy 这是代码：
这是在前 5 个 epoch 结束时创建的图像。我还评论了与 tensorboard 相关的内容，因为不幸的是它让它变得非常慢。
纪元 0 结束：
时代 1 结束：
纪元 2 结束：
第三纪元结束：
第四纪元结束：
python - 在输出层删除一些神经元（Keras）
我正在使用 Keras 制作用于合成数据生成的 GAN。所以，我想使用一个预先训练好的分类器模型作为鉴别器（因为我不必训练鉴别器，只需要生成器）。
预训练模型是在 keras 中制作的，在最后一层Dense(4, activation='softmax')（A、B、C、D）有原始的 4 个输出。我想从 C 类生成合成数据。鉴别器模型必须只有 1 个输出（假的或真的），所以我需要将 pre-treinade 模型的最后一层更改为只有 C 输出。那么，我如何在 keras 中做到这一点，或者在后端使用 Tensorflow？
我正在寻找这样的东西......
deep-learning - 关于生成对抗模型的基本查询
当噪声是特定输入（例如n 个图像而不是随机噪声）时，生成器是否可以学习分布？例如，有两类图像，标签为 0和1 ，表示0 表示猫，1 表示狗。是否有可能在我们喂狗时学习生成器，它会根据狗的图像生成猫图像？这个查询在某种程度上与去模糊图像相同，但是如果没有针对该模糊图像给出清晰的图像，但我们只是给出了随机清晰的图像怎么办。
python - RuntimeError：CUDA 错误：内存不足 - DCGAN with image_size = 256
我正在尝试使用image_size = 256（使用 PyTorch）实现 DCGAN。我已经实现了生成器和鉴别器代码，如下所示：
在 GAN 论坛上阅读了一些内容后，我发现它batch_size一定很低，考虑到我使用的是具有4GB内存的GTX 1050 Ti（实际上，我的变量设置为）。 batch_size5
我发现错误：
有人可以帮我吗？
更新 2：调整代码大小
python - 张量流模型不更新权重
我有一个正在训练的模型（它通过步骤和时期并评估损失）但权重没有训练。
我试图训练一个鉴别器来区分图像是合成的还是真实的。它是 GAN 模型的一部分，我正在尝试构建。
基本结构如下：
我有两个输入：1. 图像（可以是真实的或合成的）2. 标签（0 表示真实，1 表示合成）
Source Estimator 是我从图像中提取特征的地方。我已经训练了模型并恢复了权重和偏差。这些层被冻结（不可训练）。
鉴别器如下：
输入进入 SourceEstimator 模型并提取特征 (c3,c5)。
然后 c3 和 c5 沿通道轴连接并传递给鉴别器模型。
最后损失和train_ops
训练步骤和时期。我正在使用 32 批量大小。和数据生成器类来获取每一步的图像。
当模型经历步骤和时期时，权重保持不变。
损失在训练步骤期间波动，但每个时期的损失是相同的。例如，如果我不在每个 epoch 打乱数据集，则图上的 loss 将在每个 epoch 遵循相同的模式。
我认为这意味着模型可以识别不同的损失，但不会根据损失更新参数。
以下是我尝试过但没有帮助的其他几件事：
- 尝试了大大小小的学习率（0.1和1e-8）
- 尝试使用 SourceEstimator 层 trainable==True
- 翻转标签（0 == 合成，1 == 真实）
- 鉴别器中增加了内核大小和过滤器大小。
我已经被这个问题困扰了一段时间，我真的需要一些见解。提前致谢。
------编辑1-----
tensorflow - 同时训练判别器和生成器（Tensorflow）
通常在使用 TensorFlow 的 GAN 代码中，我们有以下形式：
这可以看作是先训练判别器（D），然后训练生成器（G）。但是，如果我们执行以下操作会怎样：
现在是否意味着 D 和 G 正在并行训练？还是和以前相比，G 现在已经“过时”了 D？
python-3.x - 训练时的一般查询
做以下条件的意思是一样的。据我所知，我认为它们是相同的。请指导我。
python - Keras 中的“淡入”新层
我正在尝试使用 tensorflow 后端在 Keras 中实现这篇论文。
在我的理解中，他们逐渐发展出 GAN，随着模型的训练逐渐淡入额外的层块。新层在迭代中线性淡入。
我不确定如何介绍他们使用的“淡入”。
要做到这一点 Keras，我想我可能需要一个 Lambda 层——但这就是我所知道的。
有什么建议么？
谢谢！
tensorflow - GAN 的全局步骤
我正在使用分布式 TensorFlow 训练 GAN。
在典型的 GAN 中，我们将交替优化 G 和 D，而在分布式训练中，全局步将传递给 G 优化器和 D 优化器，然后全局步将在一次迭代中计算两次，但实际上我们只想计算一次。
这是我的代码的一部分：
结果，全局步将在 G 和 D 上计算两次。
python - 使用生成对抗神经网络从潜在变量生成图像
我需要构建一个以两个潜在变量的值作为输入的深度神经网络，并生成一个灰度图像。
我知道这类似于 GAN 中的生成器网络，但是是否有任何已发表的研究工作或任何专门用于此类学习任务的 // 代码Python？TensorflowKeras