GAN李巨集毅（3）——無監督conditional GAN
目錄
從標籤得到圖片，然後用判別器更新生成器。如果標籤沒那麼精確，不是一對一的，計算判別器的時候就會出現問題，怎麼辦？
問題——如果判別器不仔細設計，而生成器又比較深的話，會導致生成影象與原始影象差別很大
方法1——加一個訓練好的分類器
方法2——circle GAN
兩個生成器，兩個判別器，一起訓練
存在的問題
要求生成器恢復已經丟失的資訊，會導致生成器生成效果受到限制（偷偷摸摸藏資訊）
其他類似的兩個方案
擴充套件——starGAN
方法3——統一空間
為了減少模糊，增加判別能力，我們引入判斷全域性資訊的判別器——VAEGAN
由於是分開訓練的，並沒有對映到相同空間
XY說的語言不一樣
方法1couple-GAN、Unit：編碼器最後幾個層公用引數，解碼器開始幾個層公用引數
方法2 增加一個判別器，減少兩個domain的差異
方法3：combo GAN雙迴圈
相關推薦
GAN李巨集毅（3）——無監督conditional GAN
目錄 存在的問題 從標籤得到圖片，然後用判別器更新生成器。如果標籤沒那麼精確，不是一對一的，計算判別器的時候就會出現問題，怎麼辦？ 問題——如果判別器不仔細設計，而生成器又比較深的話，會導致生成影象與原始影象差
李弘毅老師GAN筆記（三），Unsupervised Conditional GAN
轉載自： 目錄 0 概述 1 直接轉換 3 其他應用 0 概述 兩種方法，如圖1所示，方法一是直接轉換，方法二是先得到特徵再解碼。 圖1 兩種方法簡介 1 直接轉換 1.1 第一種方法 如圖一所示，判別網路判
GAN李巨集毅(1)
目錄 課程內容 1基本概念 1.2演算法 GAN的種種變形的收集 課程內容 1基本概念 1.1核心問題 1.2演算法 1.3結果——遍歷的創造力
強化學習 by 李巨集毅（個人記錄向)
P2Proximal Policy Optimization (PPO) importance sampling： On-policy -> Off-policy Gradient for update: *KL divergence(
深度學習（9）——無監督語義分割之全卷積域適應網路（譯文）
無監督語義分割之全卷積域適應網路 摘要 深度神經網路的最新進展令人信服地證明了在大型資料集上學習視覺模型的高能力。然而，收集專家標記的資料集尤其是畫素級註釋是一個非常昂貴的過程。一個吸引人的選擇是渲染合成數據（例如，計算機遊戲）並自動生成基礎事實。然而，簡單地
python3（五）無監督學習
正文回到頂部1 關於機器學習 機器學習是實現人工智慧的手段, 其主要研究內容是如何利用資料或經驗進行學習, 改善具體演算法的效能 多領域交叉, 涉及概率論、統計學, 演算法複雜度理論等多門學科 廣泛應用於網路搜尋、垃圾郵件過濾、推薦系統、廣告投放、信用評價、欺詐檢測、股票交易和醫療診斷等
GAN（4）李巨集毅——理論
目錄 1：找出影象的分佈規律——生成器 1.1：之前的方法——最大似然估計 用Pdata的取樣，調整PG的引數，讓PG接近Pdata。 只考慮P(D | h)就是最大似然估計，即便一個猜測與資料非常符合，也並不代表這個猜測就是更好的猜測，因
[機器學習入門] 李巨集毅機器學習筆記-15 （Unsupervised Learning: Word Embedding；無監督學習：詞嵌入）
[機器學習入門] 李巨集毅機器學習筆記-15 （Unsupervised Learning: Word Embedding；無監督學習：詞嵌入） PDF VIDEO
2018-3-21李巨集毅機器學習視訊筆記（十三）--“Hello Wrold” of Deep learning
Keras：有關的介紹：總的來說就是一個深度學習框架keras - CSDN部落格https://blog.csdn.net/xiaomuworld/article/details/52076202軟體工程中的框架：一種可複用的設計構件（從巨集觀上大體結構的一種規定約束）軟體
[機器學習入門] 李巨集毅機器學習筆記-14 （Unsupervised Learning: Linear Dimension Reduction；無監督學習：線性降維）
[機器學習入門] 李巨集毅機器學習筆記-14 （Unsupervised Learning: Linear Dimension Reduction；線性降維） PDF VI
16、【李巨集毅機器學習（2017）】Unsupervised Learning: Deep Auto-encoder（無監督學習：深度自動編碼器）
本篇部落格將介紹無監督學習演算法中的 Deep Auto-encoder。 目錄 Deep Auto-encoder 輸入28*28維度的影象畫素，由NN encoder輸出code，code的維度往往小於784，但我們並不知道code的
李巨集毅機器學習 P12 HW2 Winner or Loser 筆記（不使用框架實現使用MBGD優化方法和z_score標準化的logistic regression模型）
建立logistic迴歸模型： 根據ADULT資料集中一個人的age，workclass，fnlwgt，education，education_num，marital_status，occupation等資訊預測其income大於50K或者相反（收入）。 資料集： ADULT資料集。
【李巨集毅深度強化學習2018】P3 Q-learning（Basic Idea）
第三講 Q-learning（Basic Idea） 視訊地址：http
GAN應用之資料生成，無監督深度學習新方法（3）
3.1 從GAN到Conditional GAN GAN的生成式模型可以擬合真實分佈，所以它可以用於偽造資料。DCGAN是第一個用全卷積網路做資料生成的，下面是它的基本結構和生成的資料。 輸入100維的噪聲，輸出64*64的影象，從mnist的訓練結果來看，
李巨集毅機器學習PTT的理解（1）深度學習的介紹
深度學習的介紹 機器學習就像是尋找一個合適的函式，我們輸入資料就可以得到想要的結果，比如： 在語音識別中，我們輸入一段語音，函式的輸出值就是識別的結果；在影象識別中，輸入一張照片，函式可以告訴我們分類
【機器學習（李巨集毅）】 三、Bias and Variance
本講核心問題：Where does the error come from？ Review： 更復雜的模型不一定在測試集上有更好的表現 誤差由偏差“bias”導致 誤差由方差“variance”導致 Estimator： f^是計算poke
臺大李巨集毅--深度學習tip（模型優化）
訓練結果不好，並不總是因為過擬合 訓練結果不好，並不總是因為過擬合。有可能是你的training data都沒有訓練好，那最終結果一定不好 深度學習的層數越多，網路越複雜，並不一定模型會越複雜。有時會使得模型變簡單，變成欠擬合。 在機器學習中，要想
[機器學習入門] 李巨集毅機器學習筆記-1（Learning Map 課程導覽圖）
在此就不介紹機器學習的概念了。 Learning Map（學習導圖） PDF VIDEO 先來看一張李大大的總圖↓ 鑑於看起來不是很直觀，我“照虎
[機器學習入門] 李巨集毅機器學習筆記-5（Classification- Probabilistic Generative Model；分類：概率生成模型）
[機器學習] 李巨集毅機器學習筆記-5（Classification: Probabilistic Generative Model；分類：概率生成模型） Classification
[機器學習入門] 李巨集毅機器學習筆記-6 （Classification: Logistic Regression；邏輯迴歸）
[機器學習] 李巨集毅機器學習筆記-6 （Classification: Logistic Regression；Logistic迴歸） PDF VIDEO Three steps Step 1: Function Set