趋近智
标准生成对抗网络生成的样本反映训练数据分布,但对具体输出的直接控制有限。本章介绍指导生成过程的方法。您将学习如何实现条件生成对抗网络(cGAN),它能生成与特定属性或标签(通常表示为 )相符的数据。我们将涵盖如何将这些条件信息 整合到生成器 和判别器 中。
接着我们将学习信息最大化生成对抗网络(InfoGAN),这是一种通过最大化潜在代码 与生成器输出之间的互信息 ,以无监督方式学习可解释的潜在代码的方法。本章也提及了操控学习到的潜在空间 以修改生成后的输出特征的方法,并讨论了像 StackGAN 这样的方法,用于文本到图像合成等任务。最后,我们将考察学到的表示中解耦的原理与度量。动手实践环节提供构建这些条件模型的实践机会。
4.1 条件式GAN(cGAN)介绍
4.2 cGAN的架构
4.3 信息最大化GAN (InfoGAN)
4.4 StackGAN:文本到图像生成
4.5 通过潜在空间操作控制属性
4.6 解耦度量与挑战
4.7 构建条件生成对抗网络:实操练习
© 2026 ApX Machine Learning用心打造