生成对抗网络标签_鲲鹏昇腾开发者社区

生成对抗网络

昇思25天学习打卡营第21天|Diffusion扩散模型快速入门学习 - Diffusion与其他生成模型（如Normalizing Flows、GAN或VAE）进行比较

什么是Diffusion Model？如果将Diffusion与其他生成模型（如Normalizing Flows、GAN或VAE）进行比较，它并没有那么复杂，它们都将噪声从一些简单分布转换为数据样本，Diffusion也是从纯噪声开始通过一个神经网络学习逐步去噪，最终得到一个实际图像。Diffusion对于图像的处理包括以下两个过程：我们选择的固定（或预定义）正向扩散过程𝑞：它逐渐将高斯噪声添

 m0_68635815
2024-07-30 18:51:48

 558

 5

#学习 #生成对抗网络 #人工智能
昇思25天学习打卡营第22天 | GAN图像生成

生成器的任务是生成逼真的图像，试图“欺骗”判别器；判别器则要判断输入的图像是来自真实数据还是由生成器生成的。这两个部分通过不断的对抗训练来提高各自的能力，最终使得生成器能够生成非常逼真的图像。GAN（Generative Adversarial Network，生成对抗网络是一种深度学习模型，在图像生成领域取得了显著的成果。2. 具有很强的创造性和多样性，能够生成全新的、从未见过的图像。例如，可以

 hailiu
2024-07-10 17:03:58

 194

 1

#学习 #生成对抗网络 #人工智能
昇思25天学习打卡营第20天| GAN图像生成

想象一下，生成器是个艺术家，它试图画出看起来像真的手写数字。判别器就像个鉴赏家，要分辨这些数字是人画的还是机器生成的。随着时间的推移，生成器画得越来越真，判别器也越辨越准，直到它们都达到了一个平衡点。GAN是一种特别酷的机器学习模型，它由两个部分组成：生成器和判别器。生成器的任务是制造假的图像，而判别器则要判断图像是真是假。这俩就像是在玩一个捉迷藏的游戏，生成器越做越好，判别器也越来越聪明。训练结

 imdeity
2024-07-22 17:05:08

 206

 2

#学习 #生成对抗网络 #人工智能
《昇思25天学习打卡营第20天|GAN图像生成》

生成对抗网络（GAN）是一种深度学习模型，用于生成逼真的图像。在手写数字识别的任务中，GAN 可以用来生成与真实手写数字相似的图像，以增强模型的训练数据集。GAN 主要由两个部分组成：生成器（Generator）和判别器（Discriminator）。

m0_58790800
2024-07-17 23:37:41

 579

 3

#学习 #生成对抗网络 #人工智能
昇思25天打卡学习营第11天|GAN

【代码】昇思25天打卡学习营第11天|GAN。

2301_78538042
2024-07-17 19:21:49

 395

 5

#学习 #生成对抗网络 #深度学习
重阳敬老医护航，棱镜科空体携手MindSpore打造生物医药研发专精模型！

通过整合海量生物数据、化学信息和临床数据，利用深度学习和机器学习算法，提供更为精准的药物发现和设计方案，从而加速新药研发进程，降低成本，提高成功率，最终推动生物医药领域的创新和进步。快速筛选出潜在的药物候选分子，预测它们与特定靶点的相互作用强度和特性，不仅提高研发效率并降低成本，还有助于提前识别可能的毒副作用，确保药物的安全性和有效性。结合MindSpore的自动调优工具，优化大模型的参数，提高药

 昇思MindSpore
2024-10-15 17:13:56

 510

 4

#人工智能 #深度学习 #生成对抗网络 +1
昇思25天学习打卡营第11天|GAN图像生成

在训练的过程中,分别获取训练过程中的损失，并在每轮迭代结束时进行测试，将隐码批量推送到生成器中，以直观地跟踪生成器。来训练生成式对抗网络,我们可以使用该网络模拟生成手写数字图片。首选使用Mindspore的数据处理api来进行数据集处理。模块可视化部分训练数据,之后就能看到训练的详情。课程在判别器和生成器中采用全连接网络架构和。函数将数据转换成字典迭代器，然后使用。最后加载生成器网络的模型生成的图

 distance130
2024-07-04 15:43:11

 258

 3

#学习 #生成对抗网络 #人工智能
昇思25天学习打卡营第16天|GAN图像生成

这里使用了Adam优化器来优化生成器和判别器的参数，构建两个优化器，分别对应两个生成器。损失函数则用常见的交叉熵损失函数。

Evrils
2024-07-03 15:23:37

 478

 3

#学习 #生成对抗网络 #人工智能
昇思25天学习打卡营第23天|GAN生成图像

MNIST手写数字数据集是NIST数据集的子集，共有70000张手写数字图片，包含60000张训练样本和10000张测试样本，数字图片为二进制文件，图片大小为28*28，单通道。图片已经预先进行了尺寸归一化和中心化处理。本案例将使用MNIST手写数字数据集来训练一个生成式对抗网络，使用该网络模拟生成手写数字图片。

XueFarah
2024-07-31 14:32:03

 540

 5

#学习 #生成对抗网络 #人工智能
昇思25天学习打卡营第9天|GAN图像生成

GAN模型的核心在于提出了通过对抗过程来估计生成模型这一全新框架。在这个框架中，将会同时训练两个模型——捕捉数据分布的生成模型 𝐺𝐺 和估计样本是否来自训练数据的判别模型 𝐷𝐷。生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。GAN通过设计生成模型和判别模型这两个模块，使其互相

 beyondcr7
2024-07-10 13:13:54

 260

 2

#学习 #生成对抗网络 #人工智能
昇思训练营day15学习心得-GAN图像生成

GAN，全称为生成对抗网络，是一种深度学习模型，由Ian Goodfellow及其同事于2014年提出。：为了跟踪生成器的学习进度，在每轮迭代结束后，将一组固定的遵循高斯分布的隐码test_noise。GAN通过设计生成模型和判别模型这两个模块，使其互相博弈学习，从而产生了相当好的输出。接口，读取和解析MNIST数据集的源文件构建数据集，进行必要的预处理。输入到生成器中，通过固定隐码所生成的图像效

 沐礼607
2024-07-17 22:48:24

 420

 5

#生成对抗网络 #人工智能 #计算机视觉
昇思学习打卡营第二期起航啦！一站式提升AI能力！

昇思学习打卡营第二期起航啦！一站式提升AI能力！

昇思MindSpore
2024-09-20 14:30:12

 168

 2

#学习 #人工智能 #神经网络 +2
昇思25天学习打卡营第25天|xkd007|生成式网络应用（1）GAN图像生成

生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文中首次进行了描述，其主要由两个不同的模型共同组成——生成器(Generative Model)和判别器生成器的任务是生成看起来像训练图像的“假”图像；判别器需要判断

 冷酷的AI
2024-07-18 12:18:13

 144

#学习 #生成对抗网络 #人工智能
昇思25天学习打卡营第23天|简单的深度学习Pix2Pix实现图像转换介绍 - cGAN和GAN的在图像翻译任务介绍

cGAN的生成器与传统GAN的生成器在原理上有一些区别，cGAN的生成器是将输入图片作为指导信息，由输入图像不断尝试生成用于迷惑判别器的“假”图像，由输入图像转换输出为相应“假”图像的本质是从像素到另一个像素的映射，而传统GAN的生成器是基于一个给定的随机噪声生成图像，输出图像通过其他约束条件控制生成，这是cGAN和GAN的在图像翻译任务中的差异。Pix2Pix中判别器的任务是判断从生成器输出的图

 2301_79516858
2024-07-31 18:17:09

 789

 19

#深度学习 #学习 #生成对抗网络
昇思25天学习打卡营第十三天|GAN图像生成

生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文生成器的任务是生成看起来像训练图像的“假”图像；判别器需要判断从生成器输出的图像是真实的训练图像还是虚假的图像。GAN通过设计生成模型和判别模型这两个模块，使其互相

 liping406
2024-07-06 10:40:44

 858

 33

#学习 #生成对抗网络 #人工智能
昇思25天学习打卡营第26天|GAN图像生成

生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文生成器的任务是生成看起来像训练图像的“假”图像；判别器需要判断从生成器输出的图像是真实的训练图像还是虚假的图像。GAN通过设计生成模型和判别模型这两个模块，使其互相

 清风素衣月初凉
2024-07-31 14:36:11

 1160

 29

#学习 #生成对抗网络 #人工智能
昇思25天学习打卡营第23天|GAN图像生成

生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文生成器的任务是生成看起来像训练图像的“假”图像；判别器需要判断从生成器输出的图像是真实的训练图像还是虚假的图像。GAN通过设计生成模型和判别模型这两个模块，使其互相

 ronlym
2024-07-31 16:42:37

 1012

 17

#学习 #生成对抗网络 #人工智能
昇思25天学习打卡营第19天|GAN图像生成

生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文生成器的任务是生成看起来像训练图像的“假”图像；判别器需要判断从生成器输出的图像是真实的训练图像还是虚假的图像。GAN通过设计生成模型和判别模型这两个模块，使其互相

 江宁府永定
2024-07-18 17:49:52

 932

 8

#学习 #生成对抗网络 #人工智能
昇思25天学习打卡营第21天|GAN图像生成

生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文生成器的任务是生成看起来像训练图像的“假”图像；判别器需要判断从生成器输出的图像是真实的训练图像还是虚假的图像。GAN通过设计生成模型和判别模型这两个模块，使其互相

 訫在紅尘_吥動吥傷
2024-07-21 00:01:15

 1039

 29

#学习 #生成对抗网络 #人工智能
昇思25天学习打卡营第12天 | GAN图像生成

生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文生成器的任务是生成看起来像训练图像的“假”图像；判别器需要判断从生成器输出的图像是真实的训练图像还是虚假的图像。GAN通过设计生成模型和判别模型这两个模块，使其互相

 qiaoyuhanhan
2024-07-10 16:31:40

 1024

 30

#学习 #生成对抗网络 #人工智能
昇思25天学习打卡营第21天|GAN图像生成

MNIST手写数字数据集是一个广泛使用的基准数据集，包含70,000张手写数字图像，其中60,000张用于训练，10,000张用于测试。每张图像为28x28像素的单通道灰度图像，经过归一化和中心化处理，方便模型训练。MNIST是进行图像生成和分类任务的理想选择。

Xavier_F
2024-07-24 23:47:06

 2135

 45

#学习 #生成对抗网络 #人工智能
昇思25天学习打卡营第七天|应用实践/生成式/GAN图像生成

生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文生成器的任务是生成看起来像训练图像的“假”图像；判别器需要判断从生成器输出的图像是真实的训练图像还是虚假的图像。GAN通过设计生成模型和判别模型这两个模块，使其互相

 guojun0718
2024-07-17 22:08:17

 907

 17

#学习 #生成对抗网络 #人工智能
昇思25天学习打卡营第22天|GAN图像生成

今天来学习“GAN图像生成”，这是一个基础的生成式模型。生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文生成器的任务是生成看起来像训练图像的“假”图像；判别器需要判断从生成器输出的图像是真实的训练图像还是虚假的图

 流淌_
2024-07-15 10:52:28

 1159

 24

#学习 #生成对抗网络 #人工智能
《昇思25天学习打卡营第19天|生成式-Pix2Pix实现图像转换》

Pix2Pix是基于（cGAN, Condition Generative Adversarial Networks ）实现的一种深度学习图像转换模型，该模型是由Phillip Isola等作者在2017年CVPR上提出的，可以实现语义/标签到真实图片、灰度图到彩色图、航空图到地图、白天到黑夜、线稿图到实物图的转换。。传统上，尽管此类任务的目标都是相同的从像素预测像素，但每项都是用单独的专用机器来

 Alice_JC
2024-07-12 22:34:31

 1305

 46

#学习 #计算机视觉 #人工智能 +1
基于多级生成对抗网络的流体脉动速度场Cascade-Net预测方法在MindSpore Flow开源

受到这一原理的启发，可以将多尺度预测问题转化为由大尺度向小尺度逐级预测问题。Cascade-Net将湍流物理上的能量级串物理机制融入网络，巧妙的设计了串联的多层子网络，脉动速度场通过解析尺度由大到小的方式逐级传递预测，通过各层子网络分别预测各级特定尺度上的脉动速度场，并在亚临界、临界和超临界圆柱绕流实验数据案例验证中获得了较高的精度。其中，多尺度生成网络G由多个子生成网络复合而成，每个子生成网络为

 昇思MindSpore
2024-09-13 09:28:36

 1276

 22

#生成对抗网络 #人工智能 #神经网络
昇思 25 天学习打卡营第 22 天 | GAN图像生成

生成器（Generator）：生成看起来像训练图像的“假”图像。判别器（Discriminator）：判断图像是真实的训练图像还是生成器生成的图像。GAN通过生成模型和判别模型的互相博弈学习产生高质量的输出。生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. G

空城旧梦ゞ忆流年
2024-07-20 20:03:33

 1237

 16

#学习 #生成对抗网络 #深度学习
昇思25天学习打卡营第21天|Pix2Pix实现图像转换

Pix2Pix是基于条件生成对抗网络（cGAN, Condition Generative Adversarial Networks ）实现的一种深度学习图像转换模型，该模型是由Phillip Isola等作者在2017年CVPR上提出的，可以实现语义/标签到真实图片、灰度图到彩色图、航空图到地图、白天到黑夜、线稿图到实物图的转换。生成器和判别器。传统上，尽管此类任务的目标都是相同的从像素预测像素

 leesan快点跑
2024-07-15 18:12:14

 858

 20

#学习 #生成对抗网络 #人工智能
《昇思25天学习打卡营第21天|GAN图像生成》

本案例将使用MNIST手写数字数据集来训练一个生成式对抗网络，使用该网络模拟生成手写数字图片。、要注意的是刚开始的D不能太聪明，要能给出G网络一个方向（也就是不能说有G网络生成的图像都给0分，这样G网络就没有目标方向了，因为其向得分高的一侧适配）；而后G得到一定分数后，G网络进化，这时需要D网络也进化，找出聪明一点儿的G网络不好的部分，如此D\G两个网络互相竞争，形成最后结果3、实践发现，当提升e

暴力咯
2024-07-15 18:49:23

 856

 17

#学习 #生成对抗网络 #人工智能
昇思25天学习打卡营第22天| GAN图像生成快速入门学习 - DCGAN（生成器(Generative Model)和判别器(Discriminative Model)）

生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文Generative Adversarial Nets中首次进行了描述，其主要由两个不同的模型共同组成——生成器(Generative Model)和判别器(Dis

m0_68635815
2024-07-30 20:26:31

 1203

 7

#学习 #生成对抗网络 #人工智能
《昇思25天学习打卡营第12天|GAN图像生成》

生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文生成器的任务是生成看起来像训练图像的“假”图像；判别器需要判断从生成器输出的图像是真实的训练图像还是虚假的图像。GAN通过设计生成模型和判别模型这两个模块，使其互相

 QAQ23333333333
2024-07-05 10:55:36

 1193

 13

#学习 #生成对抗网络 #人工智能
昇思25天学习打卡营第19天|GAN图像生成

本案例实现中所搭建的 GAN 模型结构与原论文中提出的 GAN 结构大致相同，但由于所用数据集 MNIST 为单通道小尺寸图片，可识别参数少，便于训练，我们在判别器和生成器中采用全连接网络架构和 ReLU 激活函数即可达到令人满意的效果，且省略了原论文中用于减少参数的 Dropout 策略和可学习激活函数 Maxout。为了跟踪生成器的学习进度，我们在训练的过程中的每轮迭代结束后，将一组固定的遵循

 挂在树梢的松鼠
2024-07-12 23:43:38

 1224

 20

#学习 #生成对抗网络 #人工智能 +2
昇思25天学习打卡营第22天|简单的深度学习GAN图像生成介绍 - Generative Adversarial Nets原理介绍

生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文Generative Adversarial Nets中首次进行了描述，其主要由两个不同的模型共同组成——生成器(Generative Model)和判别器(Dis

2301_79516858
2024-07-31 17:41:11

 961

 10

#深度学习 #学习 #生成对抗网络
昇思大模型第24天打卡|GAN图像生成

生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文生成器的任务是生成看起来像训练图像的“假”图像；判别器需要判断从生成器输出的图像是真实的训练图像还是虚假的图像。GAN通过设计生成模型和判别模型这两个模块，使其互相

 十八岁少年
2024-07-13 00:12:25

 912

 14

#生成对抗网络 #人工智能 #神经网络
昇思25天学习打卡营第23天| Pix2Pix实现图像转换快速入门学习 - cGAN的生成器与传统GAN的生成器在原理介绍

cGAN的生成器与传统GAN的生成器在原理上有一些区别，cGAN的生成器是将输入图片作为指导信息，由输入图像不断尝试生成用于迷惑判别器的“假”图像，由输入图像转换输出为相应“假”图像的本质是从像素到另一个像素的映射，而传统GAN的生成器是基于一个给定的随机噪声生成图像，输出图像通过其他约束条件控制生成，这是cGAN和GAN的在图像翻译任务中的差异。Pix2Pix中判别器的任务是判断从生成器输出的图

 wanmeijuhao
2024-07-29 23:30:47

 1127

 23

#学习 #生成对抗网络 #人工智能
华为全联接大会2024 | 昇腾参会全览预热启航！

华为全联接大会2024 | 昇腾参会全览预热启航！

昇思MindSpore
2024-09-20 14:24:30

 219

 3

#人工智能 #深度学习 #量子计算 +1
毕业设计实战：基于SPADE-GAN的人脸图像生成系统从MATLAB仿真到可视化界面实现全流程

本文提出一种基于SPADE-GAN的人脸图像生成系统，重点解决传统GAN模型在语义控制与生成质量上的不足。系统采用SPADE（空间自适应归一化）模块，通过语义布局图引导生成过程，实现面部特征的精准控制。实验基于Helen Face数据集，在MATLAB中验证SPADE模块可使PSNR提升35%、SSIM提升24%，有效减少特征失真。最终开发了包含语义标注、模型训练和图像生成的可视化工具链，使非专业

 H12131213
2025-11-01 20:00:00

 914

 22

#生成对抗网络 #matlab
深度学习与经典机器学习算法的关联与差异

1、深度学习框架概述（PyTorch、Tensorflow、Keras等）2、PyTorch简介（PyTorch的版本、动态计算图与静态计算图、PyTorch的优点）3、PyTorch的安装与环境配置（Pip vs. Conda包管理方式、验证是否安装成功、CPU版与GPU版的安装方法）

xiao5kou4chang6kai4
2025-10-29 09:48:56

 532

 24

#机器学习 #深度学习 #python +2
[GAN] 基于华为昇腾AI的GAN模型研究

GAN网络调参与模式崩塌。

驼同学.
2023-08-12 01:15:29

 1041

 2

#生成对抗网络 #神经网络 #人工智能