李宏毅对抗生成网络(GAN)国语教程(2018)
Introduction P1 - 02:26
收录了各种有名有姓的gan
Introduction P1 - 04:14
s生成东西：图片、写诗
Introduction P1 - 06:05
输入文字、产生图片or输入图片、产生另一张图片
s输入一个向量，影像生成：G的输出就是一个高维向量
Introduction P1 - 08:06
Introduction P1 - 09:04
s输出的数字越大，生成的图片越真实
Introduction P1 - 10:42
Introduction P1 - 12:47
Introduction P1 - 14:57
Introduction P1 - 18:15
Introduction P1 - 21:49
如果图片是真实的，就给高分；如果是G生成的，就给低分
Introduction P1 - 27:01
Introduction P1 - 28:27
前半部分训练D
learning rate怎么调：Adam等进阶的来设置learning rate
最后斯塔d更新几次？是一个需要调的参数，由你自己决定
后半部分训练G
Introduction P1 - 35:23
Introduction P1 - 38:16
Introduction P1 - 39:54
GAN可以视为structure learning
什么是structure learning
structure learning举例
Introduction P1 - 42:08
structure learning是输出的答案可能是training时一次也没见到过的，可以视为一种创造
解决structure learning问题必须有规划的概念，大局观
c传统的structure learning两套方法
Introduction P1 - 47:02
Introduction P1 - 48:05
给每一个图片assign一个vector
希望：input的vector和output的东西的特征有关系，怎么实现？learn一个encoder，给一个图片，它把图片的特征用向量表示
Introduction P1 - 51:22
希望input和output越接近越好
Introduction P1 - 53:01
数字产生器
Introduction P1 - 54:01
training-data里的image有限
VAE，不仅会产生一个code，还会产生每一个dimension的variance
Introduction P1 - 54:54
就算输入的vector是训练时从没见过的，output的东西仍然是合理的
Introduction P1 - 56:30
Encoder 的 Dimension 是多少？
Introduction P1 - 58:10
Introduction P1 - 59:43
auto-encoder的training少了什么东西
选择在什么地方妥协
Introduction P1 - 01:03:34
structure learning里面component和component之间的关系很重要
单纯用一个G困难的地方
Introduction P1 - 01:07:50
可以
Introduction P1 - 01:09:08
D的优势
Introduction P1 - 01:15:27
Introduction P1 - 01:18:12
Introduction P1 - 01:24:56
Introduction P1 - 01:27:60
