Conditional Gan

🚀 條件生成對抗網絡

本項目包含與 Keras條件生成對抗網絡示例 對應的模型和筆記本。

🚀 快速開始

本倉庫包含了與 Keras條件生成對抗網絡示例 相關的模型和筆記本。

特別感謝：Sayak Paul

✨ 主要特性

• 訓練一個基於類別標籤的生成對抗網絡（GAN）來生成手寫數字。
• 生成對抗網絡（GAN）可以從隨機輸入生成新穎的圖像、視頻或音頻數據。
• 能夠根據語義輸入（如圖像類別）控制生成的內容。

📚 詳細文檔

背景信息

生成對抗網絡（GANs）使我們能夠從隨機輸入生成新穎的圖像數據、視頻數據或音頻數據。通常，隨機輸入從正態分佈中採樣，然後經過一系列變換，使其成為合理的內容（如圖像、視頻、音頻等）。

然而，簡單的深度卷積生成對抗網絡（DCGAN）無法讓我們控制所生成樣本的外觀（例如類別）。例如，對於一個生成MNIST手寫數字的GAN，簡單的DCGAN無法讓我們選擇要生成的數字類別。為了能夠控制生成的內容，我們需要根據語義輸入（如圖像的類別）來調節GAN的輸出。

在這個示例中，我們將構建一個條件生成對抗網絡（Conditional GAN），它可以根據給定的類別生成MNIST手寫數字。這樣的模型有各種有用的應用：

• 假設你正在處理一個不平衡的圖像數據集，並且你想為偏斜的類別收集更多示例以平衡數據集。數據收集本身可能是一個成本高昂的過程。你可以訓練一個條件生成對抗網絡，並使用它為需要平衡的類別生成新穎的圖像。
• 由於生成器學習將生成的樣本與類別標籤關聯起來，其表示也可用於其他下游任務。