详细内容或原文请订阅后点击阅览
使用 pix2pix 进行图像到图像的转换
条件 GAN (cGAN) 可用于根据另一种对象生成一种类型的对象 - 例如，基于照片的地图或基于黑白的彩色视频。在这里，我们展示了如何使用 Keras 和 Eager Execution 实现 pix2pix 方法。
来源:RStudio AI博客我们需要什么来训练神经网络？一个常见的答案是：一个模型、一个成本函数和一个优化算法。（我知道：我在这里忽略了最重要的东西——数据。）
由于计算机程序处理数字，因此成本函数必须非常具体：我们不能只是说请预测下个月对割草机的需求，并尽你所能，我们必须这样说：最小化估计值与目标值的平方偏差。
请预测下个月对割草机的需求，并尽你所能在某些情况下，将任务映射到误差度量可能很简单，但在其他情况下可能并非如此。考虑生成某种类型的不存在对象（如面部、场景或视频剪辑）的任务。我们如何量化成功？生成对抗网络 (GAN) 的诀窍是让网络学习成本函数。
生成对抗网络如使用 Keras 和 TensorFlow Eage Execution 生成图像中所示，在简单的 GAN 中，设置如下：一个代理（生成器）不断生成假物体。另一个代理（鉴别器）负责区分真实物体和假物体。对于生成器，当其欺诈行为被发现时，损失会增加，这意味着生成器的成本函数取决于鉴别器的操作。对于鉴别器，当无法正确区分生成的物体和真实物体时，损失会增加。
使用 Keras 和 TensorFlow Eage Execution 生成图像 生成器 鉴别器在刚刚描述的 GAN 中，创作从白噪声开始。然而在现实世界中，需要的可能是一种转换形式，而不是创作。例如，黑白图像的着色，或将航拍图转换为地图。对于此类应用，我们会以额外输入为条件：因此得名条件对抗网络。
条件 条件对抗网络 Isola 等人 (2016) Isola 等人 2016 Google Colaboratory Notebook pix2pix Isola 等人 2016 (