周报 2017.06.26 – 张猛
一、本周工作
1. 华为杯工作已完成；
2. 把基于对抗思想的视频生成和视频预测的两篇论文仔细读了一遍，关于动态场景视频生成，效果不佳；视频预测论文中展示的效果算是靠点儿谱。
二、下周计划
1. 商讨论文提纲
2. 由于此前训练的数据500次过程中的300，和直接训练300次的最终结果并不一样，所以看看能否保存过程中重要的参数。
...
周报 2017.06.19 – 张猛
一、本周工作
1. 准备华为杯的视频录制工作，将华为杯工作完成；
2. 均值，方差的表示优劣，仔细想了一下，均值方差表示是模型的损失函数，交叉熵显示的也是损失函数，效果是一样的；
二、下周计划
1. 以前把视频预测论文搁置了，本周把论文过一遍
2. 了解一下CortexNet模型
...
周报 2017.06.12 – 张猛
一、本周工作
1. 把运动视频分辨率调小并进行分帧处理，BEGAN正在进行；
2. SR的可视化工作结束；
3. 关于Loss滤波，执行结果没成功。
二、下周计划
1. 论文进度加快；
2. 对日常工作进行总结并记录；
3. 由于Loss的显示方式并不是常见的数据格式形成，所以在加滤波器时，可能会不合适。
...
周报 2017.06.05 – 张猛
一、本周工作
1. 把DCGAN，BEGAN中G和D的Loss与训练过程进行可视化，反映出来的训练趋势和实际的生成结果说明模型并不稳定；
2. 关于SR Loss的可视化，由于代码并不是显式，而是调用的第三方库实现，可视化难度大；
3. 把loss过程进行类似滤波形式操作，也就是折线图平滑的思想，可行性有待商榷；
二、下周计划
1. SR的可视化工作结束；
2. 把Loss的滤波工作是否可行进行总结
3. 进度抓紧
...
周报 2017.05.22 – 张猛
一、上周工作
1. 通过对之前工作的反思，自我认为：
1）之所以对现在最新论文有些讲解不懂，一个原因是涉及到的概念及数学知识太多，自己功底不够；
另一个原因是对最初的GAN原理可能理解的不够透彻。
2）基于以上原因，本周对之前的DCGAN论文进行了详读，整理，作为小论文的材料。
2. 以前没有跑过WGAN的结果，本周也Down下来了源码，通过调整之后能跑起来，但是依旧碰到内存不够
的原因，目前正在读WGAN的论文，准备之后进行里面网络层的减少，将代码跑起来。
3. BEGAN的问题模型崩溃问题的原因还在寻找，并实时关注作者的动态。
二、下周计划
1. 将2016年重要论文进行总结，作为小论文的材料，同时也对GAN的基本结构和缺陷有一个理论上的理解；
2. BEGAN的问题是一个重要的关键点，要重点解决。
...
周报 2017.05.15 -张猛
一、上周工作
1. 把BEGAN的代码进行复现，由于机器配置与代码并不匹配，调整参数后成功运行；
2. 由于参数进行调整，得到的结果并不尽如人意，生成结果勉强，插值结果崩溃；
3. 为小论文做准备。
二、下周计划
1. 通读BEGAN论文，搞清楚到底是个什么意思；
2. 理解BEGAN关键性代码，了解插值形成以及结果。
...
周报 2017.05.08 -张猛
一、 上周工作
1. 阅读BEGAN的论文，了解基本框架和和经典算法之间的区别；
2. 运行BEGAN代码，由于代码所需的环境不匹配，进行环境配置，本周跑起来；
3. 论文准备，框架拟定。
二、 下周计划
1. 代码跑起来；
2. 论文进行；
重点：时间抓紧，不拖不延，有条不紊，注意记录。
...
2017.04.24 周报-张猛
一、 上周工作
1. 手写汉字训练集，通过65000次的迭代，结果已然显现，但是清晰度和训练集的清晰度并不是很匹配，主要是因为训练集数量太少，到不到效果；
2. 虽然清晰度有些差别，但汉字本身还是清晰可辨的，笔画也很清晰；
3. 搭载GTX1050显卡，进行了代码的测试，速度明显提升；
4. 阅读BEGAN的论文，了解基本框架和和经典算法之间的区别；
5. 准备开题报告。
二、 下周计划
1. 实用新型回复；
2. 另实用新型整理；
3. 论文准备工作。
...
周报 2017.04.17 – 张猛
一、本周工作
由于生成模型内部并不像想象中的可以人为控制，所以把训练过程通过Tensorboard可视化，得到几个参数：
d_loss : 判别器的损失函数，是d_loss_fake与d_loss_real之和;
d_loss_fake ：生成图片输入到判别器中的结果和预期为0的结果的交叉熵;
d_loss_real : 真实图片输入到判别器中的结果和预期为1的结果的交叉熵;
g_loss : 生成器损失函数，生成器生成的图片输入到判别器中的结果和预期为1的交叉熵。
但是可视化出来的结果显示的训练过程结构图太复杂，需要对代码的完全理解和过程的准确掌握，打算深度研究。
二、下周计划
将参数的意义和表达的信息掌握准确；
显卡接上，跑一下代码，试试效率。
...
周报 1017.04.10-张猛
一、本周工作
由GAN训练完之后得到生成模型，其参数为每一层的权重，对于类型单一的训练集来说，生成模型单一，参数相当于一对一；对于多类型的训练集来说，参数相当于是多对多，意思是：随机输入一种分布，模型会分类到对应的子模型中，然后生成样本；生成模型会根据输入进行似分类处理，然后进行输出；到底是那些参数对应哪种类型的生成模型，无解，仅是黑盒子调控行为。
二、下周计划
将此前工作做下总结，看怎样结合应用
...