月度归档： 2017年4月

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。 ...

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。 ...

一、本周工作 自己简单做了一个小小的手写体汉字训练集，共122张图片，输入图像大小为9696；输出图像大小为6464，总共8*8=64张；进行了10000 epoch;有趣的是，最初64张图片中能产生4-5个汉字，随着迭代次数的不断增加，产生的64张图像多样性越来越差，迭代到1200次以后，这64张产生的都是同一个字；也印证了论文中提到的GAN在训练过程中的不稳定：判别器越来越好，生成器越来越差；多样性也不断减少。同时，在实验中也反映了另一个问题：生成器与判别器是否同时在进化，进化到什么程度，表现不出来，也就是可解释性差。更有趣的是：在6000次迭代之后，生成汉字的多样性又开始丰富，即使可解释性差，从实验结果来看，本实验最终的效果说明，生成器和判别器参数更新比较均衡，训练过程比较稳定。(注：仅代表个人实验观点) 目前在各种会议（ECCV、NIPS、ICIR、arXiv）上发表的GAN相关文章，涉及到的应用方向如下：对抗型自编码器、生成图像、图像修复、超分辨率、去遮挡、语义分割、目标检测、视频预测、纹理合成与风格转移、面部生成与编辑、对话生成。 二、下周计划 GAN可视化尝试 ...