能够使用最新的 PyTorch 版本,目前是 1.8.1;
使用非方形矩阵图像(示例中是 16:8);
更大的生成器和鉴别器模型;
能够使用 2 个以上的生成器;
推理脚本(在 GameGAN 存储库中不存在);
能够在推理中使用上采样模型;
训练期间实时显示生成器输出。
![Power 9带来的高维度打击:浪潮揭秘「全球最强 AI 服务器」](https://image.jiqizhixin.com/uploads/article/cover_image/034a660c-d3a3-4384-b2f9-55d255101016/Screen_Shot_2018-09-21_at_16.07.55.png?imageView2/1/w/236/h/175)
Auto Byte
专注未来出行及智能汽车科技
微信扫一扫获取更多资讯
Science AI
关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展
微信扫一扫获取更多资讯
每个像素都是由神经网络生成的。
能够使用最新的 PyTorch 版本,目前是 1.8.1;
使用非方形矩阵图像(示例中是 16:8);
更大的生成器和鉴别器模型;
能够使用 2 个以上的生成器;
推理脚本(在 GameGAN 存储库中不存在);
能够在推理中使用上采样模型;
训练期间实时显示生成器输出。
(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。
生成对抗网络是一种无监督学习方法,是一种通过用对抗网络来训练生成模型的架构。它由两个网络组成:用来拟合数据分布的生成网络G,和用来判断输入是否“真实”的判别网络D。在训练过程中,生成网络-G通过接受一个随机的噪声来尽量模仿训练集中的真实图片去“欺骗”D,而D则尽可能的分辨真实数据和生成网络的输出,从而形成两个网络的博弈过程。理想的情况下,博弈的结果会得到一个可以“以假乱真”的生成模型。