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(zhàn)，谷歌最近開源的庫解決了這個問題。為使開發(fā)者更輕松地使用進行實驗，谷歌最近開源了，一個實現(xiàn)輕松訓練和評估的輕量級庫。
生成對抗網(wǎng)絡（GAN）自被 Ian Goodfellow 等人提出以來，以其優(yōu)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(zhàn)，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(wǎng)絡通常需要定義一個損失函數(shù)，告訴網(wǎng)絡自己距離目標還有多遠。例如：圖像分類網(wǎng)絡通常會給出一個損失函數(shù)，對錯誤的分類做出懲罰判定；如果網(wǎng)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(shù)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(tǒng)等。生成對抗網(wǎng)絡（GAN）的出現(xiàn)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(xiàn)也引入了新的理論，為軟件工程帶來了新的挑戰(zhàn)，我們很難跟上 GAN 研究的快速步伐。
為使開發(fā)者更輕松地使用 GAN 進行實驗，谷歌最近開源了 TFGAN，一個實現(xiàn)輕松訓練和評估 GAN 的輕量級庫。它為開發(fā)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(shù)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(fā)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(shù)據(jù)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(shù)據(jù)集。中間一行展示了用傳統(tǒng)損失訓練的圖像壓縮神經網(wǎng)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(tǒng)損失和對抗性損失訓練的網(wǎng)絡進行圖像壓縮的結果。使用 GAN 損失函數(shù)的圖像更加清晰，包含更多細節(jié)，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(shù)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(shù)據(jù)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(xiàn)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(xiàn)的數(shù)值或統(tǒng)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(xiàn)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(wǎng)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(xiàn)有網(wǎng)絡的對抗損失，以及圖像到圖像翻譯。
大多數(shù)神經文本轉語音系統(tǒng)（TTS）都會生成過于平滑的頻譜。當應用 Tacotron TTS 系統(tǒng)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(fā)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(qū)的發(fā)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(yè)智能與數(shù)據(jù)分析群
興趣范圍包括各種讓數(shù)據(jù)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(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)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(guī)行為，您可以聯(lián)系管理員刪除。
轉載請注明本文地址：http://systransis.cn/yun/4705.html
摘要：近日，谷歌大腦發(fā)布了一篇全面梳理的論文，該研究從損失函數(shù)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(wǎng)絡的特性與變體。他們首先定義了全景圖損失函數(shù)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(fā)布了一篇全面梳理 GAN 的論文，該研究從損失函數(shù)、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(wǎng)絡的特性與變體。作者們復現(xiàn)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(shù)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(chuàng)意寫作和文學課程。高中畢業(yè)后，我進了大學，盡管我不想去...
摘要：下圖總結了絕大多數(shù)上的開源深度學習框架項目，根據(jù)項目在的數(shù)量來評級，數(shù)據(jù)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(fā)。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(wǎng)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(fā)人員在Github上發(fā)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 2390·2023-04-25 19:27
閱讀 3499·2021-11-24 09:39
閱讀 3917·2021-10-08 10:17
閱讀 3407·2019-08-30 13:48
閱讀 1939·2019-08-29 12:26
閱讀 3131·2019-08-28 17:52
閱讀 3545·2019-08-26 14:01
閱讀 3542·2019-08-26 12:19
