生成对抗网络(GAN, Generative adversarial network)自从2014年被Ian Goodfellow提出以来，掀起来了一股研究热潮。GAN由生成器和判别器组成，生成器负责生成样本，判别器负责判断生成器生成的样本是否为真。生成器要尽可能迷惑判别器，而判别器要尽可能区分生成器生成的样本和真实样本。

生成对抗网络(GAN)的英文电子书

Resnet 分类问题的 Matlab 代码（残差网络） 任何查询 - WhatsApp- +91 9994444414 , josemebin@gmail.com

深度学习-对抗生成网络实战(GAN)课程，全程实战解读各大经典GAN模型构建与应用方法，通俗讲解论文中核心知识点与整体网络模型架构，从数据预处理与环境配置开始详细解读项目源码及其应用方法。提供课程所需全部数据，代码，PPT。 第1章 对抗生成网络架构原理与实战解析 第2章 基于CycleGan开源项目实战图像合成 第3章 stargan论文架构解析 第4章 stargan项目实战及其源码解读 第5章 基于starganvc2的变声器论文原理解读 第6章 starganvc2变声器项目实战及其源码解读 第7章 图像超分辨率重构实战 第8章 基于GAN的图像补全实战 第9章 基础补充-PyTorch卷积模型实例

深度学习-对抗生成网络实战(GAN).zip

目录：氮化镓材料的光电特性氮化镓 应用市场氮化镓充电器及其设计难题氮化镓产业链氮化镓普及的

我们提出了一个简单的正则化方案来处理生成对抗网络（GAN）中的模式缺失和训练不稳定的问题。 关键思想是利用鉴别器学习到的视觉特征。 我们通过向生成器提供由鉴别器提取的真实数据特征来重建真实数据。 将重建损失添加到GAN的目标函数中，以强制生成器可以根据鉴别器的特征进行重建，这有助于明确指导生成器朝着接近实际数据的可能配置进行。 所提出的重建损失提高了GAN的性能，在不同的数据集上产生了更高质量的图像，并且可以轻松地与其他正则化损失函数（例如梯度罚分）组合以提高各种GAN的性能。 我们对不同数据集上广泛采用的DCGAN体系结构和复杂的ResNet体系结构进行了实验，结果表明了该方法的有效性和鲁棒性。

非常不错的一套视频教程，大家可以下载看看

深度学习-对抗生成网络实战(GAN)课程，全程实战解读各大经典GAN模型构建与应用方法，通俗讲解论文中核心知识点与整体网络模型架构，从数据预处理与环境配置开始详细解读项目源码及其应用方法。提供课程所需全部数据，代码，PPT。

分享视频教程——深度学习-对抗生成网络实战(GAN)，附源码+数据，完整版，稀缺资源，2020新课，希望对大家的学习有所帮助！