文件名称：无监督__生成模型.zip
文件大小：21.27MB
文件格式：ZIP
更新时间：2020-03-14 13:33:31
深度学习
像素循环神经网络 Pixel recurrent neural networks (2016) 作者 A. Oord et al. 训练GANs的改善性技巧 Improved techniques for training GANs (2016) 作者T. Salimans et al. 摘要：近年来，利用卷积网络（CNN）的监督学习已经在计算机视觉应用中被广泛采用。 相比之下，使用CNN的无监督学习得到的关注较少。 在这项工作中，我们希望帮助弥合CNN的监督学习和无监督学习的成功之间的差距。 我们引入一类称为深层卷积生成对抗网络（DCGAN）的CNN，它们具有某些架构约束，已显示出它们是无监督学习的强有力的候选者。 对各种图像数据集的训练，我们展示了令人信服的证据，表明我们的深层卷积对抗组件从发生器和鉴别器中的对象到场景里面都学习了表征层次。此外，我们使用学习到的特性去完成新任务 – 这显示了它们像一般图像表征一样具有适用性。 使用深度卷积生成对抗网络进行无监督表征学习 Unsupervised representation learning with deep convolutional generative adversarial networks (2015) 作者A. Radford et al. DRAW：一个用于图像生成的循环神经网络 DRAW: A recurrent neural network for image generation (2015) 作者K. Gregor et al. 生成对抗网络 Generative adversarial nets (2014) 作者I. Goodfellow et al. 自编码变量贝叶斯 Auto-encoding variational Bayes (2013) 作者D. Kingma and M. Welling 用大规模无监督学习构建高水平特征 Building high-level features using large scale unsupervised learning (2013) 作者Q. Le et al.
【文件预览】：
图像__视频__其他.zip