🚀 条件生成对抗网络

本项目包含与 Keras条件生成对抗网络示例 对应的模型和笔记本。

🚀 快速开始

本仓库包含了与 Keras条件生成对抗网络示例 相关的模型和笔记本。

特别感谢：Sayak Paul

✨ 主要特性

• 训练一个基于类别标签的生成对抗网络（GAN）来生成手写数字。
• 生成对抗网络（GAN）可以从随机输入生成新颖的图像、视频或音频数据。
• 能够根据语义输入（如图像类别）控制生成的内容。

📚 详细文档

背景信息

生成对抗网络（GANs）使我们能够从随机输入生成新颖的图像数据、视频数据或音频数据。通常，随机输入从正态分布中采样，然后经过一系列变换，使其成为合理的内容（如图像、视频、音频等）。

然而，简单的深度卷积生成对抗网络（DCGAN）无法让我们控制所生成样本的外观（例如类别）。例如，对于一个生成MNIST手写数字的GAN，简单的DCGAN无法让我们选择要生成的数字类别。为了能够控制生成的内容，我们需要根据语义输入（如图像的类别）来调节GAN的输出。

在这个示例中，我们将构建一个条件生成对抗网络（Conditional GAN），它可以根据给定的类别生成MNIST手写数字。这样的模型有各种有用的应用：

• 假设你正在处理一个不平衡的图像数据集，并且你想为偏斜的类别收集更多示例以平衡数据集。数据收集本身可能是一个成本高昂的过程。你可以训练一个条件生成对抗网络，并使用它为需要平衡的类别生成新颖的图像。
• 由于生成器学习将生成的样本与类别标签关联起来，其表示也可用于其他下游任务。