您的位置:永利国际官网登录 > 网络科技 > 微软耶鲁商量院153页最新GAN教程,机器学习火爆

微软耶鲁商量院153页最新GAN教程,机器学习火爆

发布时间:2019-09-06 06:50编辑:网络科技浏览(88)

    原标题:微软剑桥研究院153页最新GAN教程(附代码)

    原标题:八月·机器学习热门开源项目(Aug.2018)

    计算机视觉顶会盛会CVPR 2018召开在即,从官方现在接收的论文类型来看,这届会议展现出了一个奇怪的现象:生成对抗网络GAN,正在成为新的“深度学习”。MMP,深度学习还没学会,难道我又要被时代抛弃了吗?

    【导读】Sebastian Nowozin在机器学习夏季课程(MLSS 2018年9月)做了关于GAN的教学,153页PPT详尽的解释了GAN的发展脉络和最新进展,此外他所提供原版大小为286MB 的pptx中包含大量动画效果,对课程的理解很有帮助。

    转自 Xiaowen专知

    根据Google Research的研究科学家Jordi Pont-Tuset做的一个统计,它通过查看这些论文的类型,看到了未来深度学习的发展趋势。结果,他发现生成对抗网络强势出击,大有取代“深度学习”(Deep Learning)之势。

    Sebastian Nowozin是微软剑桥研究院首席研究院,专注于无监督于表示学习。他在GAN领域做了大量的工作,同时也是著名的f-GAN的作者。

    【导读】整理了一份8月热门机器学习开源项目,包含了Auto Keras,Glow,Videoto Video,机器翻译,舞蹈生成器,足球视频到3D,垃圾邮件过滤,语音识别,图像生成,人脸处理等主题。请查收~

    不要不信,我们可是有图有真相!下面这张图展示了CVPR 2018的论文题目中,关键词GAN、Deep,以及LSTM的对比:

    在训练 GAN 方面似乎有两三个阵营:第一个当然就是GAN的发明Ian Goodfellow以及他所供职的OpenAI和谷歌的一帮研究人员;**第二个强大的阵营也就是以这篇教程作者Sebastian Nowozin 为代表的微软阵营**;第三就是其他了

    作者 | Mybrigde

    图片 1

    此次教程主要有以下几个部分:

    编译 | Xiaowen

    可以看出,普通的“深度学习”已经在走下坡路,而且趋势明显。Jordi Pont-Tuset认为,这很可能是有些研究人员绝对深度学习已经没什么研究的了,都去尝试一些新的领域。

    概率模型

    在过去的一个月里,我们对近250个机器学习开放源码项目进行了排名,选出了前10名。

    在普通的“深度学习”走下坡路的同时,GAN慢慢的成为新宠,统计显示有8%的论文标题中含有GAN(这一数据相比2017年增长了2倍多)。

    GANs的几个示范应用

    在此期间,我们将项目与新版本或主要版本进行了比较。Mybridge AI根据各种因素对项目进行排名,以衡量专业质量。

    需要指出,这里统计的仅仅是三大计算机视觉会议接收论文的标题里的关键词。Jordi Pont-Tuset推测:普通的“深度学习”可能已经为人熟知,如今在研究领域开始往更细的、更具体的方向发展,比如GAN。

    评价原则

    • 这个版本中GitHub star的平均数量:919个stars
    • “Watch”机器学习GitHub上的前10位开放源码,每月收到一次电子邮件。
    • 主题:Auto Keras,Glow,Videoto Video,机器翻译,舞蹈生成器,足球视频到3D,垃圾邮件过滤,语音识别,图像生成,人脸处理。

    GAN是新的“深度学习”?

    GAN 模型

    开源项目可能对程序员有用。希望你能找到一个有趣的项目来激励你。

    生成对抗网络(Generative Adversarial Nets)是Ian Goodfellow 等人2014年的论文《Generative Adversarial Nets》中提出,它是非监督学习的一种方法,通过让两个神经网络相互博弈的方式进行学习。

    • 差异性与f-GAN 家族
    • 基于积分概率度量(IPM)的GAN: MMD
    • 基于积分概率度量(IPM)的GAN: Wasserstein GANs

    图片 2

    图片 3来源:Slinuxer

    问题与如何修正:模式崩溃(modecollapse)与不稳定性(Instability)

    Autokeras: An opensource software library for automated machine learning (AutoML) [2715 stars onGithub]. Courtesy of Haifeng Jin

    生成对抗网络是由一个生成网络(Generator)与一个判别网络(Discriminator)组成。生成网络从潜在空间(latent space)中随机采样作为输入,其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则是生成网络的输出,其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数,最终目的是使判别网络无法判断生成网络的输出结果是否真实。

    隐式模型

    链接:

    还不能完全理解GAN?害怕自己会落后?

    开放性研究问题

    图片 4

    不要着急,云栖君给你汇总一些自家产的生成对抗网络学习资料:

    GAN网络是近两年深度学习领域的新秀,一时风头无两。从计算机视觉顶会盛会CVPR 2018接受的论文统计就可见一斑:根据Google Research的研究科学家Jordi Pont-Tuset做的一个统计,它通过查看这些论文的类型,看到了未来深度学习的发展趋势。结果,他发现生成对抗网络(GAN)强势出击,大有取代“深度学习”(Deep Learning)之势。

    图片 5

    1.GAN网络通俗解释

    下面这张图展示了CVPR 2018的论文题目中,关键词GAN、Deep,以及LSTM的对比:

    Glow: Code for“Glow: Generative Flow with Invertible 1x1 Convolutions” [1687stars onGithub]. Courtesy of OpenAI

    摘要:最通俗的GAN网络介绍!

    图片 6

    链接:**1. **

    2.创意对抗网络你知多少?

    在普通的“深度学习”走下坡路的同时,GAN慢慢的成为新宠,统计显示有8%的论文标题中含有GAN(这一数据相比2017年增长了2倍多)。

    2.

    摘要:人类最难让计算机做的事情之一就是创造性地思考。计算机非常善于从事人们精确指定的工作,并且完成的速度非常快。而创造力是一个抽象的概念,把给计算机赋予创造力已经被证明是机器学习方面一个非常困难的的挑战。

    此外用尽字母表的各种GAN的变体 X-GAN 的论文数量也是急剧增加:

    图片 7

    3.神经网络中的造物者-GANs

    图片 8

    图片 9

    摘要:人工智能正在成为一种创造性的力量,本篇文章介绍了GANs的由来和应用,并且探寻GANs在人工智能中的重要意义。

    • 后台回复“GANMLSS” 就可以获取最新PPT下载链接~

    Vid2vid: Pytorchimplementation of our method for high-resolution (e.g. 2048x1024)photorealistic video-to-video translation. [2821stars on Github]. Courtesy ofNVIDIA AI

    1. 深度卷积对抗生成网络实战

    参考链接:

    链接:

    摘要:本文作者通过一个实战小例子介绍了什么是GANS,如何使用TensorFlow来实现GANS,对于想要了解GANS的学习者来说,这篇文章绝对入门。

    图片 10

    5.程序员的魔法——用Masking GAN让100,000人都露出灿烂笑容

    图片 11

    摘要:本文使用Masking GAN来对静态的图像中的人物图像进行处理,使其都露出灿烂笑容,堪称魔法。每个程序员都是一个魔法师,你玩过的魔法是什么呢?欢迎留言秀出各自的魔法。

    附PPT全文:

    UnsupervisedMT:Phrase-Based & Neural Unsupervised Machine Translation—Facebook Research [515stars on Github]. Courtesy of FacebookResearch

    没有学尽兴?没有关系,云栖君还给你准备了很多大礼,收藏一下,慢慢学习!

    图片 12

    链接:

    请收下这份关于人工智能的根目录——博客整理系列

    图片 13

    图片 14

    关于数据科学的那些事——博客整理系列

    图片 15

    图片 16

    机器学习必备手册——博客整理系列

    图片 17

    DanceNet: Dancegenerator using Autoencoder, LSTM and Mixture Density Network. (Keras) [301 stars on Github]. Courtesy of Jaison Saji

    扩展眼界的都在这——博客整理系列

    图片 18

    链接:

    深度学习必备手册——博客整理系列

    图片 19

    图片 20

    深度学习必备手册——博客整理系列

    图片 21

    图片 22

    最受欢迎的张玉宏博士的深度学习入门篇——不看绝对后悔!

    图片 23

    Soccerontable:Upconverting YouTube soccer videos in 3D for viewing in AR/VR devices.Soccer OnYour Tabletop with OpenCV [253stars on Github]. Courtesy of KonstantinosRematas

    程序员技术进阶手册

    图片 24

    链接:

    程序员技术进阶手册

    图片 25

    数十款阿里云产品限时折扣中,赶紧点击领劵开始云上实践吧!

    图片 26

    图片 27

    本文作者:

    图片 28

    图片 29

    阅读原文

    图片 30

    Artificial-adversary:Tool to generate adversarial text examples and test machine learning modelsagainst them—Airbnb [160stars on Github]. Courtesy of AirbnbEng

    本文为云栖社区原创内容,未经允许不得转载。

    图片 31

    链接:

    图片 32

    图片 33

    图片 34

    图片 35

    图片 36

    图片 37

    Stt-benchmark:Speech to text benchmark framework [300stars on Github]. Courtesy of Picovoice

    图片 38

    链接:

    图片 39

    图片 40

    图片 41

    图片 42

    图片 43

    图片 44

    Sg2im: Code for “Image Generation fromScene Graphs”. A scene graph is a structured representation of a visual scenewhere nodes represent objects in the scene and edges represent relationshipsbetween objects [672stars on Github]. Courtesy of Google Open Source

    图片 45

    链接:

    图片 46

    图片 47

    图片 48

    图片 49

    图片 50

    GANimation:Anatomically-aware Facial Animation from a Single Image [355 stars on Github].Courtesy of Albert Pumarola

    图片 51

    链接:

    图片 52

    图片 53

    图片 54

    图片 55

    原文链接:

    图片 56

    图片 57

    -END-

    图片 58

    专 · 知

    本文由永利国际官网登录发布于网络科技,转载请注明出处:微软耶鲁商量院153页最新GAN教程,机器学习火爆

    关键词: 永利国际官网

上一篇:没有了

下一篇:没有了