• 一些fancy的GAN应用

• 机器之心GitHub项目：GAN完整理论推导与实现，Perfect！ \

  • 

• 深度 | 生成对抗网络初学入门：一文读懂GAN的基本原理（附资源）

  • 你怎么教一台从未见过人脸的机器学会绘出人脸？计算机可以存储拍字节级的照片，但它却不知道怎样一堆像素组合才具有与人类外表相关的含义。
  • 很多各种各样旨在解决这一问题的生成模型。它们使用了各种不同的假设来建模数据的基本分布，有的假设太强，以至于根本不实用。
  • 对于我们目前的大多数任务来说，这些方法的结果仅仅是次优的。使用隐马尔可夫模型生成的文本显得很笨拙，而且可以预料； 变分自编码器生成的图像很模糊，而且尽管这种方法的名字里面有「变」，但生成的图像却缺乏变化。 所有这些缺陷都需要一种全新的方法来解决，而这样的方法最近已经诞生了。
  • 优秀的GAN的可能应用
    1. 模拟实验的可能结果，降低成本，加速研究；
    2. 使用预测出的未来状态来规划行动——比如「知道」道路下一时刻状况的 GAN；
    3. 生成缺失的数据和标签——我们常常缺乏格式正确的规整数据，而这会导致过拟合；
    4. 高质量语音生成；
    5. 自动提升照片的质量（图像超分辨率）；
  • 图像分类器本质上是高维空间中的一个复杂的决策边界。

• 深入浅出：GAN原理与应用入门介绍

  • 生成对抗网络不是神经网络应用在无监督学习中的唯一途径，还有玻尔兹曼机和自动解码器。 三者皆致力于通过学习恒等函数 f（x）= x 从数据中提取特征，且都依赖马尔可夫链来训练或生成样本。