AIGC实战——条件生成对抗网络
0. 前言
1. CGAN架构
2. 模型训练
3. CGAN 分析
小结
系列链接
0. 前言
我们已经学习了如何构建生成对抗网络 (Generative Adversarial Net, GAN) 以从给定的训练集中生成逼真图像。但是,我们无法控制想要生成的图像类型,例如控制模型生成男性或女性的面部图像;我们可以从潜空间中随机采样一个点,但是不能预知给定潜变量能够生成什么样的图像。在本节中,我们将构建一个能够控制输出的 GAN,即条件生成对抗网络 (Conditional Generative Adversarial Net, GAN)。该模型最早由 Mirza 和 Osindero 在 2014 年提出,是对 GAN 架构的简单改进。
1. CGAN架构
在本节中&
文章来源
发表评论