轻量级生成对抗网络工具库 TFGAN

• 授权协议: Apache
• 开发语言: C/C++ Python
• 操作系统: 跨平台
• 软件首页: https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/gan
• 软件文档: https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/gan/README.md
• 官方下载: https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/gan

软件介绍

生成对抗网络（GAN）是一种先进的机器学习方法，已被广泛应用于从文本生成图像、超分辨率和让机器人学习抓取物体等任务中。但 GAN 的出现也引入了新的理论，为软件工程带来了新的挑战，我们很难跟上 GAN 研究的快速步伐。

为使开发者更轻松地使用 GAN 进行实验，谷歌最近开源了 TFGAN，一个实现轻松训练和评估 GAN 的轻量级库。它为开发者轻松训练 GAN 提供了基础条件，提供经过完整测试的损失函数和评估指标，同时提供易于使用的范例，这些范例展示了 TFGAN 的表达能力和灵活性。谷歌还发布了一个包含高级 API 的教程，帮助人们快速上手，使用自己的数据训练模型。

TFGAN 由以下几个独立存在的部分组成：

• 核心：提供训练 GAN 所需的主要基础设施。训练分四个阶段进行，每个阶段都可以通过自定义代码或使用 TFGAN 库调用来完成。

• 功能：很多常见的 GAN 操作和归一化技术可供使用，包括实例归一化和条件化（conditioning）。

• 损失：允许轻松利用已实现且经过完整测试的损失和惩罚机制进行实验，如 Wasserstein 损失、梯度惩罚、互信息惩罚等。

• 评估：使用 Inception Score 或 Frechet Distance 与预训练的 Inception 网络评估无条件生成模型。你还可以使用自己的预训练分类器获得更加具体的结果，或使用其他方法对条件生成模型进行评估。

• 示例和教程：从示例中可以学习如何使用 TFGAN 让 GAN 训练变得更简单，你也可以参考更复杂的示例来启动自己的项目。这些内容包括无条件和条件 GAN、InfoGAN、现有网络的对抗损失，以及图像到图像翻译。

本文地址：https://codercto.com/soft/d/11744.html