点击上方“AI算法与图像处理”，选择加"星标"或“置顶”

重磅干货，第一时间送达

概要分享我的知识，使用带有示例代码片段的迁移学习逐步在Googlecolab中的自定义数据集上训练StyleGAN如何使用预训练的权重从自定义数据集中生成图像使用不同的种子值生成新图像介绍生成对抗网络（GAN）是机器学习中的一项最新创新，由IanJ.Goodfellow及其同事于年首次提出。它是一组神经网络，以两人零和博弈的形式相互对抗。博弈论（一个人的胜利就是另一个人的损失）。它是用于无监督学习的生成模型的一种形式。这里有一个生成器（用于从潜在空间中的某个点在数据上生成新实例）和鉴别器（用于将生成器生成的数据与实际或真实数据值区分开）。最初，生成器生成虚假或伪造的数据，鉴别器可以将其分类为伪造，但是随着训练的继续，生成器开始学习真实数据的分布并开始生成真实的数据。这种情况一直持续到鉴别器无法将其分类为不真实的并且生成器输出的所有数据看起来都像真实数据。因此，此处生成器的输出连接到鉴别器的输入，并根据鉴别器的输出（是实数还是非实数）计算损失，并通过反向传播，为后续训练（epoch）更新生成器的权重。StyleGAN目前在市场上有多种GAN变体，但在本文中，我将重点介绍Nvidia在年12月推出的StyleGAN。StyleGAN的体系结构使用基线渐进式GAN。即，生成图像的大小从非常低的角度逐渐增加分辨率（4×4）到非常高的分辨率（×），并使用双线性采样代替基线渐进式GAN中使用的最近邻居上/下采样。该博客的主要目的是解释如何使用迁移学习在自定义数据集上训练StyleGAN，因此，有关GAN架构的更多详细信息，请参见NVlabs/stylegan-官方TensorFlowGitHub链接