資訊專欄INFORMATION COLUMN
摘要：然而，對于廣大工程人員而言，應用新技術仍存在挑戰，谷歌最近開源的庫解決了這個問題。為使開發者更輕松地使用進行實驗，谷歌最近開源了，一個實現輕松訓練和評估的輕量級庫。
生成對抗網絡（GAN）自被 Ian Goodfellow 等人提出以來，以其優異的性能獲得人們的廣泛關注，并應用于一系列任務中。然而，對于廣大工程人員而言，應用新技術仍存在挑戰，谷歌最近開源的 TFGAN 庫解決了這個問題。
項目鏈接：https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/gan
使用
訓練神經網絡通常需要定義一個損失函數，告訴網絡自己距離目標還有多遠。例如：圖像分類網絡通常會給出一個損失函數，對錯誤的分類做出懲罰判定；如果網絡錯將狗的圖片識別為貓，則獲得高損失值。然而，并非所有問題都可以簡單地用損失函數來標量，特別是當問題涉及到人類感知上時，如圖像壓縮或文本轉語音系統等。生成對抗網絡（GAN）的出現解決了其中的很多問題，它是一種先進的機器學習方法，已被廣泛應用于從文本生成圖像、超分辨率和讓機器人學習抓取物體等任務中。但 GAN 的出現也引入了新的理論，為軟件工程帶來了新的挑戰，我們很難跟上 GAN 研究的快速步伐。
為使開發者更輕松地使用 GAN 進行實驗，谷歌最近開源了 TFGAN，一個實現輕松訓練和評估 GAN 的輕量級庫。它為開發者輕松訓練 GAN 提供了基礎條件，提供經過完整測試的損失函數和評估指標，同時提供易于使用的范例，這些范例展示了 TFGAN 的表達能力和靈活性。谷歌還發布了一個包含高級 API 的教程，幫助人們快速上手，使用自己的數據訓練模型。
TFGAN 教程：https://github.com/tensorflow/models/blob/master/research/gan/tutorial.ipynb
上圖展示了對抗損失在圖像壓縮中的影響。最頂端一行圖片來自 ImageNet 數據集。中間一行展示了用傳統損失訓練的圖像壓縮神經網絡對圖像進行壓縮和解壓縮的結果。底行圖片展示了使用傳統損失和對抗性損失訓練的網絡進行圖像壓縮的結果。使用 GAN 損失函數的圖像更加清晰，包含更多細節，即使它可能會與原圖像的差距更大。
TFGAN 以幾種簡單的方式支持實驗。它提供簡單的函數調用，涵蓋大部分 GAN 用例，讓你僅用幾行代碼就可以用自己的數據運行模型。同時，它是以模塊化方式構建的，可以覆蓋更多的 GAN 結構設計。你可以自由選用自己想要的模塊——損失、評估、特征、訓練等等，所有這一切都是互相獨立的。TFGAN 的輕量級設計意味著你既可以在原生 TensorFlow 代碼上使用它，也可以與其他框架一同使用。使用 TFGAN 編寫的 GAN 模型可以輕松獲取未來基礎設施改善帶來的便利。在這里，你可以從大量已實現的損失和功能中進行選擇，無需重新編寫自己的模型。最后，這些代碼都經過了完整測試，你不必擔心使用 GAN 庫經常出現的數值或統計錯誤。
TFGAN 由以下幾個獨立存在的部分組成：
核心：提供訓練 GAN 所需的主要基礎設施。訓練分四個階段進行，每個階段都可以通過自定義代碼或使用 TFGAN 庫調用來完成。
功能：很多常見的 GAN 操作和歸一化技術可供使用，包括實例歸一化和條件化（conditioning）。
損失：允許輕松利用已實現且經過完整測試的損失和懲罰機制進行實驗，如 Wasserstein 損失、梯度懲罰、互信息懲罰等。
評估：使用 Inception Score 或 Frechet Distance 與預訓練的 Inception 網絡評估無條件生成模型。你還可以使用自己的預訓練分類器獲得更加具體的結果，或使用其他方法對條件生成模型進行評估。
示例和教程：從示例中可以學習如何使用 TFGAN 讓 GAN 訓練變得更簡單，你也可以參考更復雜的示例來啟動自己的項目。這些內容包括無條件和條件 GAN、InfoGAN、現有網絡的對抗損失，以及圖像到圖像翻譯。
大多數神經文本轉語音系統（TTS）都會生成過于平滑的頻譜。當應用 Tacotron TTS 系統時，GAN 可以生成一些更加接近真實紋理的頻譜，從而減少結果音頻中的人工痕跡。
使用 TFGAN 還意味著你正在使用和大量谷歌研究者相同的基礎工具，這樣，你就可以從谷歌員工開發的前沿技術中受益。與此同時，所有人也都可以在 GitHub 上做出自己的貢獻，谷歌希望分享代碼的精神可以促進整個機器學習社區的發展。
原文地址：https://research.googleblog.com/2017/12/tfgan-lightweight-library-for.html
歡迎加入本站公開興趣群商業智能與數據分析群
興趣范圍包括各種讓數據產生價值的辦法，實際應用案例分享與討論，分析工具，ETL工具，數據倉庫，數據挖掘工具，報表系統等全方位知識
QQ群：81035754
文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。
轉載請注明本文地址：http://specialneedsforspecialkids.com/yun/4705.html
摘要：近日，谷歌大腦發布了一篇全面梳理的論文，該研究從損失函數對抗架構正則化歸一化和度量方法等幾大方向整理生成對抗網絡的特性與變體。他們首先定義了全景圖損失函數歸一化和正則化方案，以及最常用架構的集合。 近日，谷歌大腦發布了一篇全面梳理 GAN 的論文，該研究從損失函數、對抗架構、正則化、歸一化和度量方法等幾大方向整理生成對抗網絡的特性與變體。作者們復現了當前較佳的模型并公平地對比與探索 GAN ...
摘要：我仍然用了一些時間才從神經科學轉向機器學習。當我到了該讀博的時候，我很難在的神經科學和的機器學習之間做出選擇。 1.你學習機器學習的歷程是什么？在學習機器學習時你最喜歡的書是什么？你遇到過什么死胡同嗎？我學習機器學習的道路是漫長而曲折的。讀高中時，我興趣廣泛，大部分和數學或科學沒有太多關系。我用語音字母表編造了我自己的語言，我參加了很多創意寫作和文學課程。高中畢業后，我進了大學，盡管我不想去...
摘要：下圖總結了絕大多數上的開源深度學習框架項目，根據項目在的數量來評級，數據采集于年月初。然而，近期宣布將轉向作為其推薦深度學習框架因為它支持移動設備開發。該框架可以出色完成圖像識別，欺詐檢測和自然語言處理任務。 很多神經網絡框架已開源多年，支持機器學習和人工智能的專有解決方案也有很多。多年以來，開發人員在Github上發布了一系列的可以支持圖像、手寫字、視頻、語音識別、自然語言處理、物體檢測的...
閱讀 2360·2023-04-25 19:27
閱讀 3491·2021-11-24 09:39
閱讀 3905·2021-10-08 10:17
閱讀 3397·2019-08-30 13:48
閱讀 1930·2019-08-29 12:26
閱讀 3121·2019-08-28 17:52
閱讀 3537·2019-08-26 14:01
閱讀 3534·2019-08-26 12:19
