【AIGC从零开始】AIGC小白学习心得第一讲：二维平面的文生图、图生图

提示：文章写完后，目次可以主动天生，怎样天生可参考右边的资助文档
  
  
<hr> 前言

近段时间AIGC发展非常敏捷，尤其在艺术范畴的发展全面着花，各位AI绘画师各显武艺，百花齐放。小编颠末一周多的学习初窥门径，盼望把这些工作学习心得记录下来，同各位偕行一同发展。
别的，除了干系信息的搜集整理，小编近来学习应用紧张围绕comfyui这种中心层图片天平生台，也会记录干系应用案例。
<hr> 提示：以下是本篇文章正文内容，下面案例可供参考
一、主流网络模子

1.深度天生模子

深度天生模子是指可以大概从现有数据对象中，学习数据分布并天生新的结构化数据对象的一类广泛的人工智能方法，属于无监视学习的范畴。在本节中，我们紧张研究在数据合成中常用的几种深度天生模子。
（1）GAN

Ian J. Goodfellow等人于2014年提出一种天生对抗网络(GANs)，GANs是一种先辈的深度天生模子，通过对抗过程举行训练，可以天生依照原始数据集底层数据分布的新型合成样本。GANs模子包罗两个神经网络模块:辨别器和天生器。天生器的目标是天生靠近真实数据的数据，而辨别器的目标是将假数据(天生器天生的)与真实数据区分开来。它实行二值分类任务，将训练会合的真实数据作为正样本;天生的数据(由天生器天生)作为负样本。GAN模子存在难训练、模式瓦解、无训练进度指标等题目，在已往的几年里，它的结构颠末了不绝的调解和改进，现在是一种强盛的深度天生模子。

2017年，M.Arjovsky等人提出了Wasserstein天生对抗网络，这是GAN的一种盛行变体W-GAN。其改变了天生器和辨别器的目标函数,并对辨别器施加 Lipschitz 束缚以限定辨别器的梯度，旨在加强学习的稳固性，加速训练过程，并摆脱模式瓦解等题目。
总结完了GAN的迭代历程，聊点普通易懂的，GAN到底是怎样工作的呢？为什么叫它天生对抗网络？
引用Sharon Zhou 老师的比喻：
GAN给了我们两个差别的网络，一个是艺术伪造者，另一位是查察员。伪造者尽大概画出美丽的画，查察员为伪造者提供反馈，在对抗天生的过程中，查察员会辨别哪些是真实的、哪些是伪造的，然后把结果反馈给伪造者。随着时间的推移，伪造者的程度就会越来越高，天生的画也越来越传神，二者在不绝对抗中共同发展，末了也就结果了GAN的强盛功能。
（2）VAE

李宏毅老师的教程视频：https://www.bilibili.com/video/av15889450/?p=33
接下来，我们讨论一种以以自编码器结构为底子的深度天生模子VAE，自编码器在降维和特性提取等范畴应用广泛，它包罗两个神经网络模块:编码器息争码器。编码器的目标是将数据对象转换为一连的潜伏变量；然后解码器将隐变量作为输入特性，重构数据对象。
VAE模子架构：


免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！qidao123.com:ToB企服之家，中国第一个企服评测及软件市场,开放入驻,技术点评得现金