问题标签 [generative]

所以我是处理的新手，我正在尝试创建一个生成艺术作品，它显示一本书的单词用法（在我的例子中是 Great Gatsby）并以独特的格式显示它。到目前为止，我已经在 D. Shiffman 修补的旧文章的帮助下进行了数据提取部分，可以在下面找到。截至目前，虽然我正在决定显示方法，但不太确定如何去做。

我是由“Space is Vast”这个人决定的。我想我会格式化它，每个唯一的单词都是它自己的行，就像片段中的行一样，使用中的值将决定球体轨道周围的行长度。这两个都是在下面的代码中生成的值。

如果有人对流程有任何想法（参考、建议或实际代码），我们将不胜感激。再次感谢，祝您有美好的一天。

Img 可以在这里找到：http ://spaceisvast.com/post/102743224728/iterations-on-a-concept-something-very

我正在从一组文档中学习一个主题模型，并且效果很好。但我想知道是否有任何现有系统实际上会从模型中的主题和单词生成新文档。

IE。假设我想要一个主题 0 的新文档，任何 Gensim/MALLET/其他工具实际上会在给定我的主题选择（或选择）的一些输入的情况下生成一个新文档吗？或者这是一个自己动手的问题？

假设我有两个主题：

是否有任何工具可以采用“主题 0：.5，主题 1：.5，长度：7”并很好地生成如下文档：

或类似的规定？如果它已经存在，我不想复制它。

所以如果你运行这个草图，你会看到一个加号网格。我想轮换每个人，但我似乎无法弄清楚。我试过翻译，pushMatrix/popMatrix。但也许它不在正确的地方。我现在删除了它，也许有人可以指出如何围绕自己的轴旋转每个加号。

我的计算机科学课有两个问题需要帮助。问题如下。

1. 写一个函数 contains-all? 它使用两个数字列表，如果第一个列表包含第二个列表的所有元素，则返回 true，否则返回 false。为简单起见，假设两个列表都没有多次包含相同的元素。

2. 编写一个函数 common-elements，它接受两个数字列表并返回两个列表中出现的所有元素的列表。

对于数字 1，到目前为止，我有以下代码：

我的检查预期如下：

我知道一些检查预期会失败，这就是我需要帮助的地方。

对于问题 2，到目前为止我有这个

检查预期如下：

我对 2 号有同样的问题，需要帮助。

我在 Keras 中实现了一个生成对抗网络。我的训练数据大小约为 16,000，其中每张图像的大小为 32*32。我所有的训练图像都是来自 imagenet 数据集的图像在对象检测任务方面的调整大小版本。我将图像矩阵直接输入到网络中，而不进行中心裁剪。我使用了 AdamOptimizer，学习率为 1e-4，beta1 为 0.5，我还将 dropout 率设置为 0.1。我首先在 3000 个真实图像和 3000 个假图像上训练了判别器，它达到了 93% 的准确率。然后，我训练了 500 个 epoch，批量大小为 32。但是，我的模型似乎只在几个 epoch（<10）内收敛，并且它生成的图像很难看。

损失函数图

生成器生成的随机样本

我想知道我的训练数据集是否太小（与 DCGAN 论文中的那些超过 300,000 相比）或我的模型配置不正确。更重要的是，我是否应该按照 Ian Goodfellow 在原始论文中的建议在 D 上训练 SGD 进行 k 次迭代（其中 k 很小，可能是 1），然后在 G 上使用 SGD 进行一次迭代训练？（我刚刚尝试训练他们一次一个）

下面是生成器的配置。

下面是判别器的配置：</p>

下面是GAN整体的配置：

我不是在寻找大量代码作为解决方案，只是我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几百张 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类似于这些图像的图像（最好网络不需要输入，除了可能随机值？），但目前尚不清楚我将如何处理。

我考虑过但尚未尝试过的一种解决方案是制作 LSTM 神经网络，将绘画转换为像素值的 1D 数组，并将数组馈送到网络（LSTM 网络非常擅长学习序列） - 但是如果我想处理更大的图像，这可能不是很实用。

非常感谢任何信息。谢谢！

机器学习初学者在这里！就像了解我应该如何处理分类问题一样。鉴于手头的问题是分类一个对象是属于 A 类还是 B 类，我想知道我应该使用生成模型还是判别模型。我有 2 个问题。

1. 判别模型似乎在分类问题上做得更好，因为它只关心如何绘制决策边界，而不关心其他问题。

问：但是，如果要训练和测试一个包含大约 80 个 A 类对象和不到 10 个 B 类对象的小数据集，判别模型会过拟合，因此生成模型会表现得更好吗？

2. 此外，由于 A 类对象和 B 类对象的数量差异非常大，训练的模型很可能只能识别 A 类对象。即使模型将所有对象分类为 A 类，这仍然会导致非常高的准确度得分。

问：鉴于没有其他方法可以增加 B 类数据集的大小，关于如何减少这种偏见的任何想法？

我训练了一个模型，目的是生成如下句子：我提供了 2 个序列作为训练示例：x 是字符序列，y 是相同的移位。该模型基于 LSTM，使用 tensorflow 创建。
我的问题是：由于模型采用一定大小的输入序列（在我的情况下为 50），我如何才能做出预测，只给他一个字符作为种子？我在一些示例中看到，在训练后，它们通过简单地输入单个字符来生成句子。
这是我的代码：

我使用以下代码来生成num_steps给定长度的序列，starting_point并starting_state使用 a 的实例RNNCell，例如cell=GRUCell(number_of_neurons).

但这对于我的用例来说既慢又麻烦，其中num_steps = 1000. 即使实例化图表也需要很长时间。

这个功能是否存在于 Tensroflow 的某个地方，而我只是错过了它？

请注意，我正在寻找的内容与tf.contrib.rnn.static_rnn. 该文档将这个函数的行为总结为简单地将 RNN 应用于序列中的每个时间步：

但就我而言，我想将一个步骤的输出作为下一步的输入。

我正在尝试使用 Keras 来实现 GAN（生成对抗网络）。对于非饱和博弈，生成器的损失如下所示：

我正在考虑将其实现为 Keras 中的嵌套模型，如下所示：

我想知道这个嵌套模型中的鉴别器是否与我传入的鉴别器共享参数。

另一个但更普遍的问题是，如果我可以检查每个模型中的属性（例如对象 id 或对象属性，如可训练），我会放心，我如何在 Keras 中检查呢？